Dinamica_Poblacional
2023-08-08
Dinámica Poblacional
El estudio de la Dinámica Poblacional tiene como objetivo desarrollar conocimiento los patrones y processos intra-especifica y entre-especies. Tradicionalmente muchos de los trabajos de dinamica poblacional se enfocarón en los estudios intra-especifica, fomentando una perpestiva que las especies no enteractuan con su ambiente biotico.
Objetivo del libro:
Este libro digital
¿Qué es el analisis de dinamica poblacional?
Por: Por RLT, Nhora Ospina, Demetria y Anne …..
El objetivo de la conservación biológica es asegurar que las especies
pueden sobrevivir, reproducirse y dejar progenie viable para de una
generación a otra. Por consecuencia se necesita que las variables
intrinsicas y extrinsicas, bioticas y abioticas de cada especies estén
considerado con todas sus interacciones. Naturalmente aunque el concepto
es sencillo, tomar en cuanta TODAS las posibles interacciones biológicas
y abióticas es imposible.
El primer paso a la conservación es considerar el ambiente adecuado para
cada especie. Sin duda en los ultimos 50 años en muchos paises ha habido
un cambio grande en el repesto y la conservaciones de bosque, pradera,
desierto y todos los biomas en general. Por ejemplo el cambio de
cobertura de bosque en Puerto Rico ha aumentado de circa de 2-5% en los
años 1910 a más 40% en el 2000 (Parés-Ramos, Gould, and Aide
2008). En general en Latino América ha habido más
reforestación de deforestación (Aide et al. 2013) en los
ultimos años, aunque varia mucho entre paises y periodo de tiempo. Para
la conservación el primer paso era reconocer que los habitat necesitan
ser protegido.
Muchos de estos nuevos hábitat son bosque segundarios, fragmentados y
dominado por especies introducidas. Estos habitat por consecuencia son
mayormente diferentes al ambiente natural antes de los cambios
antropogénicos. El resultado, en muchas ocasiones, es que la especies de
interes están reducida en números de individuos o fragmentados.
Considerando esos remanentes de individuos en el habitat, son suficiente
para mantener una población viable? ¿Como que uno decide que una
población es viable?
En general, el conceptos de conservación es que si uno proteje los habitat las especies estarán conservadas. Pero lo que no es obvio es que la presencia de muchos individuos no es suficiente para asegurar la supervivencia de una especies a largo tiempo. Un ejemplo bien conocida es la extincción del Dodo en la isla de Mauritius y la casi extinción de una especies de arbol en la familia Sapotaceae, Calvaria major. Para que la semillas sean viable necesitan pasar por el tracto digestivo de un pajaro para remover el encocarpo persitente de la semilla que causa “dormancy” en las semillas (Temple 1977). Por consecuencia nunca se puede asumir que la presencia de una especies sin tomar en cuenta las interacciones bióticas y abióticas es suficiente para sugerir que no hay riesgo de extincción.
¿Qué es el estudio de la dinamica poblacional?
La dinámica poblacional tiene como meta tomar en cuenta todas las etapas/edades de una especies y evaluar cual de esas etapas/edades tiene impacto sobre la supervivencia de la especies. Esas etapas de vida debería considerar las interaciones con sus ambiente biotico y abiotico. La dinamica de población es fundamental en todas las areas de la ecología y evolución. Comprender la dinamica poblacional es la clave para entender la importancia relativa al aceso de los recursos y el efecto de competencia, herbivoria y depredaciones sobre la viablidad de especies. Tradicionalmente los estudios estaban enfocado a evaluar la tabla de vida para el manejo y conservaciones de especies particulares (ref). En años más recientes los estudios se han diversificado para evaluar la interacciones entre especies y su ambiente (ref).
Definición
Una definición más especifica de los estudios de dinámica poblacional son definidos como los análisis de los factores que afecten el crecimiento, estabilidad y reducción en el tamaño de la población en una serie de tiempo.
Por ejemplo, la dinamica poblacional de especies invasivas incluye un periodo de crecimiento muy lento al comienzo de la colonización de un nuevo sitio y frecuentamente siguido de un crecimiento logarithmico. La figura @ref(fig:Pop-fig). demuestra el cambio de número de individuos en el tiempo de una especie hipotética.
ggplot(pressure, aes(temperature, pressure))+
geom_point()+
rlt_theme+
xlab("Tiempo")+
ylab("Tamaño poblacional")
Cambio poblacional en tiempo
El analisis de Dinámica Poblacional y su uso
Determinar el tamaño poblacional en el futuro tiene muchos usos. Se puede dividir sus usos en tres grupos grandes, entender las 1) interacciones ecológicas, 2) manejo y conservaciones o 3) los procesos evolutivos. Los estudios enfocado a la conservación se engloba dentro de un acercamiento de la viablidad de poblaciones. En este libro estaremos dando una introducción a cada uno de estas vertientes, pero nuestros ejemplos son una introducción al tema y no una profundización extensa de cada uno. En la table @ref(USO) vemos algunos de los usos especificos que se ha dado con la metodología de PPM.
Tabla: El uso potencial de la diferentes acercamiento de PPM.
NOTA IMPORTANTE: Evaluar las referencias y añadir referencias tradicionales y recientes
| Categoria de Uso | Uso especifico | Referencias | Referencias con Oquideas |
|---|---|---|---|
| Manejo | Identificar las etapas or procesos demograficos claves | (Crouse, Crowder, and Caswell 1987) | ? |
| Determinar cuantos individuos en una población es necesario para reducir la extinción | Shaffer 1981 Armbruster & Lande 1993 | ? | |
| Determinar cuantos individuos se necesita introducir en una sitio para establecer una población viable | Bustamante 1996 | ? | |
| Determinar cuantos individuos se puede extraer si tener un impacto negativo sobre la viabilidad de una población | Nantel et al. 1996 | ? | |
| En especies invasivas determinar cuantos y cual etapas se necesita remover para controlar la población | ? | ? | |
| Determinar cuantas pobalciones se necesita para la viabilidad de una especie al nivel local o global | Lindenmayer & Possingham 1996 | ||
| Evaluación de riesgos | Evaluar el riesgo de una población | Samson 1985 | muchos |
| Comparando el riesgo relativo de dos o más poblaciones | Allendrof et al. 1997 | ? | |
| Interacciones ecologicas | Evaluar interacciones ecológicas para entender las variables importantes para la supervivencia de una población | ? | Ospina et al., 2022 |
| Procesos y patrones evolutivos | Cual de los procesos y patrones evolutivos del ciclo de vida de especies impacta su crecimiento | ? | ? |
USO 1: Identificar las etapas or procesos demográficos claves
Identificar y conocer cuales son las etapas de vida más suceptibles a cambios abioticos y bioticos y su impacto sobre la persistencia de una población es necesario para el manejo. El ejemplo clásico en la literatura usando PPM son los trabajos sobre la dinámica poblacional de la tortuga “boba” o “cabezona” Caretta caretta (Crouse, Crowder, and Caswell 1987), (Crowder et al. 1994). Crouse y Crowder demostrarón que aun salvando TODOS los huevos de depredación, esa estrategia de manejo antropogenico iba a tener muy poco impacto en el crecimiento de la población. Lo que econtrarón es que el impacto más grande sobre el crecimiento poblacional provendría de proteger los adultos de las redes de pesca, modificando estas para que las tortugas se pueden escapar y no ahogarse en las redes. Los trabajos de Crouse y Crowder fueron pioneros en demostrar que uno podía simular diferentes escenarios basado en la historia de vida y evaluar su impacto.
Ejemplo de orquidea AQUI
USO 2: Determinar cuantos individuos en una población es necesario para reducir la extinción
El efecto de tamaño poblacional sobre la biología y la probabilidad de extincción es amplia (Shaffer and Samson 1985), (Nunney and Campbell 1993), (Harris et al. 2022). ¿Cual es la probablidad de extincción de una población considerando la cantidad de individuos en cada etapa? En general lo que se observa es que menor el tamaño poblacional, N, mayor es el riesgo de extincción. Esa probabilidad de extincción puede variar si algunas etapas del ciclo de vida tiene es muy reducido o su probabilidad de sobrevivir o crecer varia. Consideramos por ejemplo en las orquídeas donde la probabilidad de que las semillas se establece, germina y crezca a a ser un juvenil es muy pequeña. Por consecuencia una nueva población de orquidea necesita considerar la cantidad de individuos que este presente pero tambien la probabilidad de tener semillas y que estas pueden crecer a ser adultos reproducible.
USO 3: Determinar cuantos individuos se necesita introducir en una sitio para establecer una población viable
Naturalmente, más cantidad de individuos re-introducido en un sitio mayor sera la probabilidad que la población sea viable. Pero, como todo hay un limite de tiempo y esfuerzo disponible. Por consecuencia la pregunta debería ser orientado a determinar cual es el minimo de individuos que se deberia introductir para garantizar un x porciento de suceso en el establecimiento de una nueva población.
En los ultimos años, muchas organizaciones y cientificos han comenzado a hacer re-introducción de especies en su habitat nativo y no. (ref). Algunos programa introduce especies en areas urbanas.
- Caladenia
- Korea
- one million orchids project
- ????
USO 4: Determinar cuantos individuos se puede extraer sin tener un impacto negativo sobre la viabilidad de una población
Hay tres razones principales para la extracción de individuos de su ambiente natural.
- Obtener individuos para la conservación Ex Situ.
- Usar un grupo de individuos para su propagación.
- Extraccíon para la venta sin objetivo de conservación.
El supuesto de colectores de orquidea de su habitat naturales, tanto para la conservación de Ex situ y el uso para la propagación es que el impacto es minimo, y no tendrá impacto a largo plazo para la supervivencia. Regresaremos sobre este punto más tarde. La historia de fanatisismo de recolección de orquideas para la venta es bien conocida ref(). Aun que uno quisiera pensar que estas extracciones son del pasado y no occuren hoy en dia, hay todavia escrupulos que extraen los plantas sin pensar al impacto que tendrá sobre la población o especie.
Pero la pregunta se tiene que hacer. Cuantos individuos y de que etapas se puede extraer de la población sin tener impacto en el crecimoento poblacional?
USO 5: En especies invasivas determinar cuantos y cual etapas se necesita remover para controlar la población.
USO 6: Evaluar el riesgo de una población
USO 7: Determinar cuantas poblaciones se necesita para la viabilidad de una especie al nivel local o global
Dinamica de metapoblaciones.
USO 8: Comparando el riesgo relativo de dos o más poblaciones
USO 9: Evaluar interacciones ecológicas para entender las variables importantes para la supervivencia de una población
USO 10: Cual de los procesos y patrones evolutivos del ciclo de vida de especies impacta su crecimiento
Historia de dinamica poblacional en orquideas.
Referencias
Qué es un diagrama de Ciclo de Vida
Por: Nhora Ospina
Ejemplos de ciclos de Vida
Escribo algo
Ejemplos de un ciclo de vida sencillo
Tengo mucho texto que ampliar
Ejemplo de un ciclo de vida con 3 estadios
library(Rage)# hidden code to produce figures
library(DiagrammeR)
matA <- rbind(
c(0.0, 0.0, 3.2),
c(0.5, 0.3, 0.8),
c(0.0, 0.4, 0.9)
)
stages <- c("seedling", "rosette", "flowering")
title <- NULL
graph <- expand.grid(to = stages, from = stages)
graph$trans <- round(c(matA), 3)
graph <- graph[graph$trans > 0, ]
nodes <- paste(paste0("'", stages, "'"), collapse = "; ")
graph$min_len <- (as.numeric(graph$to) - as.numeric(graph$from)) * 3
graph$col <- c(
"PaleGreen4", "PaleGreen4", "PaleGreen4", "Goldenrod1",
"MediumOrchid4", "PaleGreen4"
)
edges <- paste0("'", graph$from, "'", " -> ", "'", graph$to, "'",
"[minlen=", graph$min_len,
",fontsize=", 10,
",color=", graph$col,
",xlabel=", paste("\"", graph$trans),
"\"]\n",
collapse = ""
)
grViz(
paste(
"
digraph {
{
graph[overlap=false];
rank=same;
node [shape=", "egg", ", fontsize=", 12, "];",
nodes, "
}",
"ordering=out
x [style=invis]
x -> {", nodes, "} [style=invis]", edges,
"labelloc=\"t\";
label=\"", title, "\"
}"
)
)Ejemplo de un cicle de vida con estadio de latencia
plot_life_cycle(matA, stages=stages, fontsize = 0)Code for color coding figure
Ejemplo de un cicle de vida con estadio de post reproducción
Ejemplo de un cicle de vida incompleto (y biologicamente erroneos)
Referencias
Como recopilar datos en el campo
Por: Raymond L. Tremblay y Aucencia
Identificar la especie de estudio
Para cualquier studio usando el acercamiento de dinamica poblacional es necesario conocer lo básico de la especie de interes y las etapas/edades que corresponde al ciclo de vida de esa misma. Poder reconocer las semillas, plántulas, juveniles y adultos y si hay etapas latentes. Algunos retos en en el estudio de las orquideas es el siguimiento de las semillas y plántulas en el campo. La dispersión de las semillas en espacio ha sido estudiado muy poco ( Sabat. et al. ) debido a sus tamaños tan pequeños y dificultad de seguir en el espacio. Los métodos de seguir las semillas en su ambiente natural incluye tipicamente ponerlos en una malla y ponerlos en el suelo o la corteza y recogerlos más tarde para ver si estas germinaron (ref).
Identificar plántulas en orquídeas terrestres tiende también a ser muy complidado, ya que están escondidas entre vegetación o cubierta de tierra. La orquideas epitifas, en ciertas especies se puede identificar las plántulas (si no están cubierta de musgo o otra vegetación), pero distinguir entre plántuls de diferentes especies puede ser imposible. Por ejemplo distinguir las plántulas de diferentes especies de Lepanthes en el mismo forofito no es posible (Tremblay comunicación personal). El método de identificar a que especie pertenece fue de seguir estos individuos a las otras etapas (junenil o adulto). Por ejemplo la forma de crecimiento del tallo es diferente entre Lepanthes eltoroensis (prostate) versus Lepanthes woodburyana (erect). Por consecuencia idividuos que no sobreviven a la próxima etapa no se sabe a que especie pertenece.
Marcar los individuos en el campo
Los calidad de los métodos de marcar plantas en el campo para evaluación posterior es primordial para los análisis de dinámica poblacional. Como se marca y cual es la calidad del marcador para detectar y re-evaluar los individuos en años subsiguiente afecta la calidad de los datos. Si los marcadores individuales se pierden y no se reconoce ese problema, los individuos perdidos por marca no permanente se podría categorizar como muerto, y ese individuo no marcado (por haber perdido su identificación) pudiese ser interpretado como un nuevo individuo (reclutamiento). Eso resulta en aumento en mortandad y reclutamiento, sesgando los resultados. Naturalmente, ese sesgo depende de la frecuencia proporcional al tamaño de muestra, menor el tamaño de muestra mayor el sesgo.
El marcados tiene que ser permanente (plástico, metal, etc.) y fácil de encontrar en adición de ser informativo y único para cada planta y reducir las incertidumbres. La dificultad muchas veces proviene de individuos donde los datos son recopilados con numeración similares. Esos problemas muchas veces encuentra años después cuando se quiere re-evaluar los datos y no hay manera aclarar las dudas.
Métodos de marca y recaptura
Indentificaciones de individuos
Cada planta tiene que tener si propia identificación y que no haya confusión con otros individuos de esa misma población o de otra población.
Una población
Por ejemplo si el estudio comenzó en 2023 y solamente hay una población. Los individuos podrían tener una codificación siguiente 23001, 23002, 23003, … 23152 para los 152 individuos encontrado y marcado ese año. El siguiente año se muestra esos individuos y nuevos individuos encontrado comenzarían con 24153. De esta forma ya se conoce cuando fue el primer año de muestreo del individuo y esos nuevos individuos no se confunde con los del año anterior. Cada año comenzaría con identificación del año, y la numeración de los individuos no se repiten en la misma población. Entonces hay redundandia en la codificación ayudando a reducir los errores de codificaciones.
Multiples poblaciones
Siguiendo con el mismo concepto pero múltiples poblaciones, la numeración de la población pudiese utilizar una codificación alfa numérica, donde la letra del alfabeto representa la población y la número los individuos. Siguiera así A23001, A23002,…, 23xxx para la primera población y B23001, B23002,…, B23xxx para las segunda población.
Relocalización de individuos
Para relocalizar los individuos se puede utilizar marcador permanentes o geo-referencias individuales para cada planta.
Métodos de relocalizar los individuos en el campo puede ser complicado.
- uno de los métodos es amarar al individuo la identificación individual de forma que se fácil de encontrar y que no se pierde. Por ejemplo uno puede amarar el “tag” con hilo de pezcar grueso o “twist tags” alrededor de unos pseudobulbos o cerca de la planta. El la foto que sigue vemos una planta Cypripedium acaule en la región de North Bay, Ontario, Canada marcado con un tag metálico cerca de la planta
Necesitamos unos ejemplos
- otro metodo es grapar el “tag” al lado de los individuos. Este es un método que es adecuado para plantas pequeñas. NO se debería poner el tag agarrado a la planta, ya que el peso del tag, podría causar daño a la planta, en adición que este caso las hojas no son persistente, por consecuencia al caer una hoja podría perder el “tag”. En esa foto se uso un pequeño clavo para poner el “tag”, pero también usando una grapadora puede ser más eficiente y menos dañino al árbol. En la foto siguiente se ve un tag de plastico amarado con un clavo al lado de de una planta de Lepanthes eltoroensis en Puerto Rico. Posteriormente se cambio el calvo por una grapadora normal. Ese metodofuncionó muy bien.
Si el sitio esta bien protegido y no hay riesgos de atraer atención a las plantas se puede usar pequeñas banderas para facilitar la recaptura de las plantas.
NOTA importante: los “tags” no deberían ser facil de ver en el habitat ya que podría atraer atención al estudio y hay mucha gente que se llevan plantas del campo, incluyendo plantas que son partes de estudios.
Variables a recoger en el campo
La base de los estudios de dinamica poblacional es evaluar las transiciones entre las etapas de vida incluyendo mortantad y su reprodución. La información que se recoge del campo tiene que ser facil de recoger y consistente y sin error. Si seguimos ejemplos de los trabajos de campo de Tremblay [ref] con Lepanthes, las etapas incluidas son plantulas, juveniles, adultos no reproductivos y adultos reproductivos. Cada una de estas estapas estan definida especificamente para ese genero.
- plantula: individuo que no tiene ninguna hoja con peciolo.
- juvenil: individuo que tiene hojas con peciolo pero no hay ninguna evidencia que fue reproductiva en el pasado (las base de las inflorescencia son persistente)
- adulto non-reproductivo: individuos con inflorescencias secas (ninguna verde)
- adulto reproductivo: individuo con inflorescencia verdes con o sin flores o frutos.
Dependiendo de los estudios pudiese haber más etapas, por ejemplo Tremblay [ ] uso dos etapas de individuos reproductivos.
Otro ejemplo es el estudio de Hernández-Apolinar con la especie xx. donde incluyo…..
Determinar cuantas categoria deberia ser utilizados y cuales es muy dinamica y depende de la especies, número individuos y las preguntas de interes.
Las variables a recoger tiene que incluir el minimo las siguientes
- la etapa en el tiempo t
- si esta vivo o muerto en el tiempo t
- la cantidad de flores en el tiempo t
- la cantidad de frutos en el tiempo t
- la presencia y “tagging” de nuevos individuos en el tiempo t+1
Otras variables que pudiese recoger incluye
el tamaño de las hojas o la hoja más grande
- Brasavola cucculata []: las plantas necesitan un tamaño minimo de largo de hoja antes de florecer
el número de pseudobulbo
- ….
la altura de la inflorescencia
- Caladenia valida []: la altura de la inflorescencia impacta la probabilidad de producir frutos
la altura en el árbol de las epífitas
- Brasavola cucculata []: la plantas muy bajo menos de 1.5m son depredadas por la cabras
el número de “ramet”, un indice del tamaño del genotipo en plantas con crecimiento horizontal
- Cypripedium calceolus var. parviflorum [Tremblay]: Los estudios evolutivos tienen que reconocer la diferencia entre un “ramet” y un “genet”.
indicadores de herbivoria sobre la planta
indicadores de la cantidad plagas sobre la planta como “rust”
Referencias
Como calcular transiciones para la matriz de Lefkovitch
Por: Ernesto Mujica y Elaine Gonzalez y Aucencia
Métodos tradicional de calcular las transiciones
Problema con el uso tradicional
Referencias
Como calcular fecundidad
Por: Demetria y Aucencia: equipo ECOSUR
Métodos tradicional de calcular las transiciones
Problema con el uso tradicional
Referencias
Matrices de transicion, fecundidad y clonal
Por: Raymond
Tres tipos de matrices
Para facilitar los analisis y interpretaciones es necesario tener claro la diferencias en los parámetros que provienen de transiciones, fecundidades y clonaje, cada submatriz se suma para tener un modelo de una matriz poblacional. La suma de cada una de esas sub-matrices resulta en la matriz de transiciones para evaluar algunos de los parametros del crecimiento poblacional.
Definiciones de las matrices
- MatU = Matriz de transiciones
- MatF = Matriz de Fecundidad
- MatC = Matriz de clonaje
- MatA = MatU + MatF + MatC
MatU: Matriz de transiciones
En la matriz de transiciones, MatU se encuentra solamente la información sobre de transiciones, estasis o retroceso entre las etapas de vida. Por consecuencia todo información sobre reproducción y clonaje es excluida. Si el diseño del modelo asume tres etapas de vida, plantulas, juvenil y adultos, se incluye solamente las siguientes transiciones.
Nota que es este modelo los juveniles no pueden regresar a ser plantulas, pero los adultos pudiese regresar a ser juvenil. Seria probablemente más adecuado re-nombrar la etapa juvenil (que se entiende que no es reproductivo) a algo más claro como “Individuos pequeño”.
library(DiagrammeR)
library(Rage)
matU <- rbind(
c(0.1, 0.0, 0.0),
c(0.5, 0.3, 0.05),
c(0.001, 0.4, 0.8)
)
stages <- c("Plantulas", "Juvenil", "Adulto")
plot_life_cycle(matU, stages=stages)MatF: Matriz de fecundidad
Si uno sigue la figura anterior vemos que los individuos en la segunda etapa se reproducen sexualmente (producen plantulas). Por consequencia seria probablemente más adecuado cambiar de nombre para la segunda etapa de “juvenil” a “individuos pequeños”. Lo que se observa es el ciclo de vida de la oportaciones de plantulas es que los Individuos pequeños y Grande producen plantulas.
library(DiagrammeR)
library(Rage)
matF <- rbind(
c(0.0, 0.4, 1.8),
c(0.0, 0.0, 0.0),
c(0.0, 0.0, 0.0)
)
stages <- c("Plantulas", "Ind Pequeños", "Ind Grande")
plot_life_cycle(matF, stages=stages)MatC = Matriz de clonación
Esa matriz representa la información para especies que se reproducen por clonaje. Nota que este necesario lo que se define por clonaje. Por ejemplo un individuo de Epidendrum que crece y que tenga más tallos, no debería ser considerado clonaje, pero crecimiento del individuo. Al contrario un individuo que crece de forma que la planta madre se separa en dos o más partes donde no comparten connección pudiese ser considerado clonaje. Otra alternativa es que hay muchas especies de orquideas que producen keiki, el momento que estos se separan de la madre se puden considerar como un individuo a parte.
Se deberia enfatizar que añadir el concepto de clonaje dentro de la matriz de transiones resulta en estimados de parametros diferentes, tal como el tamaño efectivo de población, Ne, en adición de evaluar otros conceptos evolutivos. En estudios evolutivos no es el individuo como tal que es la unidad de interes pero el individuo como fuente de diversidad genética, por consecuencia individuos (clones) que son geneticamente igual son evolutivamente el mismo individuos aunque esten seperado fisicamente. Las poblaciones organizados en clones affecta la interpretacion de datos tanto en los estudios ecologico y evolutivos Cook (1983). Cuando se estudia especies con clonación hay que diferenciar entre los que es el “ramet” y un “genet”. Los genet son la suma de todas las partes “ramet” que tiene la misma genetica. Los “ramet”, son las partes de individuales. En orquídea se podría considerar cada seudobulbo como un ramet y la suma de todos los seudobulbo como el “genet”. Hay acercamiento para tomar en cuenta la adequación de los “individuos” en la matriz y por consequencia intergrar el concepto de clonación en los estimados. vea: McGraw and Caswell (1996).
Método bayesiano de calcular las transciones
Por: RLT
El objetivo de este capítulo es demostrar algunos de los retos cuando uno trabaja con especies raras o con poca información para estimar los parametros de la matrices y como se puede resolver y estimar parametros más realista.
Considera este primer ejemplo donde se estima que la especie de interes tenga tres etapas en su ciclo de vida (semillas, plantulas y adultos) y que solamente la etapa más grande (de adultez) puede producir semillas.
Cuando se comienza un analisis de dinamica poblacional el primer paso es evaluar y tratar de ver cual son las etapas del ciclo de vida que pudiesen ser representativo de la dinamica principal de la especie.
En esta primera figura vemos lo que se considerá que ocurre en esa especie hipotetica.
library(Rage)Ahora ud recoge los datos del campo y evalua las transiciones y fecundidad y tiene información siguiente.
- Todas las semilla germinan y crece a la etapa de plantula.
- Es realista que todas las semillas germinan?
- Por que no se encontró semillas que NO germinan?
- Todos las plantulas mueren
- Es realista que todas las plantulas se muere?
Aqui se ve dos de los problemas que resulta en PPM que no son realista, uno que no hay ninguna mortantad o que todo se muere. El otro componente es el efecto del tamaño de muestra, considerá que su especie de interes Ud tuvo acceso solamente a 4 plantas adultas (un especies rara), y 4 de los 4 sobrevieron, por consecuencia 100% de supervivencia. Si los individuos llegan a esta etapa son inmortales!!!? Claramente es un resultado del tamaño de muestra y no del ciclo de vida de la especie.
El paquete raretrans ayuda en resolver estos asuntos illogicos y crear matrices que son más entre realistas al ciclo de vida de su especie.
# hidden code to produce figures
library(DiagrammeR)
matA <- rbind(
c(0.0, 0.0, 0.0),
c(1.0, 0.0, 0.0),
c(0.0, 0.0, 0.9)
)
stages <- c("semillas", "plantulas", "adultos")
title <- NULLplot_life_cycle(matA, stages=stages)El paquete “raretrans”
La información original del uso del paquete se encuentra aqui https://doi.org/10.1016/j.ecolmodel.2021.109526.
Population projections from holey matrices: Using prior information to estimate rare transition events
Abstracto
Las matrices de proyección de población son un medio común para predecir la persistencia de la población a corto y largo plazo para especies raras, amenazadas y en peligro de extinción. Los datos de tales especies pueden sufrir de tamaños de muestra pequeños y, en consecuencia, perder eventos demográficos raros que dan como resultado trayectorias de ciclo de vida incompletas o biológicamente poco realistas. Las matrices con valores faltantes (ceros; p. ej., sin observación de semillas que se transforman en plántulas) a menudo se reparan utilizando información previa de la literatura, otras poblaciones, períodos de tiempo, otras especies, estimaciones de las mejores conjeturas o, a veces, incluso se ignoran. Para paliar este problema, proponemos usar un modelo multinomial de Dirichlet para parametrizar transiciones y un Gamma para la reproducción para parchear los valores faltantes en estas matrices perforadas. Esto integra formalmente la información previa dentro de un marco bayesiano e incluye explícitamente el peso de la información previa en las distribuciones posteriores. Mostramos utilizando dos conjuntos de datos reales que el peso asignado a la información anterior influye principalmente en la dispersión de los posteriores, la inclusión de anteriores da como resultado matrices irreducibles y ergódicas, y se pueden hacer inferencias biológicamente más realistas sobre las probabilidades de transición. Debido a que los antecedentes se establecen explícitamente, los resultados son reproducibles y se pueden volver a evaluar si hay antecedentes alternativos disponibles en el futuro.
Instalación de los paquetes #1
if (!require("pacman")) install.packages("pacman")## Loading required package: pacmanpacman::p_load(janitor, tidyverse, devtools)
library(tidyverse)
library(janitor)Instalación de raretrans #2
#library(devtools)
#devtools::install_github("atyre2/raretrans", build = TRUE, build_opts = c("--no-resave-data", "--no-manual"))
library(raretrans)Vea el siguiente website para más información en ingles, la información que sigue es una traducción y ampliación de la información en el siuiente enlace.
https://atyre2.github.io/raretrans/articles/onepopperiod.html
library(tidyverse)
library(ggplot2)
library(popbio) # para la función projection.matrix()
library(raretrans)
# Mi tema de ggplot2 personal
rlt_theme <- theme(axis.title.y = element_text(colour="grey20",size=15,face="bold"),
axis.text.x = element_text(colour="grey20",size=15, face="bold"),
axis.text.y = element_text(colour="grey20",size=15,face="bold"),
axis.title.x = element_text(colour="grey20",size=15,face="bold"))El objetivo de esta viñeta es demostrar el uso del paquete
raretrans para los calculos de los parametros en una
población y periodo de transición.
Parte I: Obtención de la matriz de proyección
raretrans asume que la matriz de proyección es una lista
de dos matrices, una matriz de transición y una matriz de fertilidad.
Este es el formato de salida de popbio::projection.matrix.
Si tenemos transiciones individuales en un marco de datos
Podemos utilizar popbio::projection.matrix para obtener
los datos necesarios. Hacemos una demostración con los datos de
transición y fertilidad de la orquídea epifita Lepanthes elto
POPNUM 250 en el periodo 5.
Paso 1: Cargar y fusionar los datos de población única para L. elto
data("L_elto") # carga el conjunto de datos `L_elto` en memoria (incluido en el paquete `raretrans`)
head(L_elto) ## # A tibble: 6 × 13
## POPNUM year seedlings adults fertility IND_NUM stage next_stage first_year
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr> <chr> <dbl>
## 1 209 1 1 6 0 67 j j 1
## 2 209 1 1 6 0 68 a a 1
## 3 209 1 1 6 0 69 a a 1
## 4 209 1 1 6 0 70 a a 1
## 5 209 1 1 6 0 71 j a 1
## 6 209 1 1 6 0 72 a a 1
## # ℹ 4 more variables: last_year <dbl>, recruited <lgl>, died <dbl>,
## # lifespan <int>Organización de los datos en el “data.frame”
- el primer paso es seleccionar los datos de una población y un periodo de tiempo
- el segundo paso es hacer un cambio en la terminología para el estado más pequeño de “plantula” a “seedling”… Ese cambio es para que la información presentada aqui sea la misma que en el documento en ingles.
Cada fila de este data.frame de datos tiene columnas para la fase actual (stage), la fase siguiente (next_stage) y la fertilidad por individuo. Tenga en cuenta que “p” significa “plantula” en español. El primer conjunto de líneas de abajo cambia el nombre de la etapa del ciclo vital de “p” a “s” después de seleccionar la población y el periodo de tiempo.
onepop <- L_elto %>%
# Filtrar la población # 250, el periodo (año=year) 5
filter(POPNUM == 250, year == 5) %>%
# redefine "p" por plantula a "s" para seedling
mutate(stage = case_when(stage == "p" ~ "s",
TRUE ~ stage),
next_stage = case_when(next_stage == "p"~ "s",
TRUE ~ next_stage))
# popbio::projection.matrix no funciona con tibbles, por consecuencia se convierte en data.frame
head(onepop)## # A tibble: 6 × 13
## POPNUM year seedlings adults fertility IND_NUM stage next_stage first_year
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr> <chr> <dbl>
## 1 250 5 8 34 0 167 j a 1
## 2 250 5 8 34 0 168 j a 1
## 3 250 5 8 34 0 169 j a 1
## 4 250 5 8 34 0.118 170 a a 1
## 5 250 5 8 34 0 172 j j 1
## 6 250 5 8 34 0 173 j a 1
## # ℹ 4 more variables: last_year <dbl>, recruited <lgl>, died <dbl>,
## # lifespan <int># Crear TF = TRUE, añadir para formatear corectamente.
TF <- popbio::projection.matrix(as.data.frame(onepop),
stage = stage, fate = next_stage,
fertility="fertility", sort=c("s","j","a"), TF = TRUE)
TF # Este es la estructura de etapas de vida para esa población ## $T
##
## s j a
## s 0.09090909 0.00000000 0.00000000
## j 0.63636364 0.57446809 0.00000000
## a 0.00000000 0.29787234 0.85294118
##
## $F
##
## s j a
## s 0.0000000 0.0000000 0.1176471
## j 0.0000000 0.0000000 0.0000000
## a 0.0000000 0.0000000 0.0000000Nota:
Nuestros estadios se codifican ahora como s
(plántula), j (juvenil) y a (adulto),
y ahora tenemos dos matrices: T (transición de
estadios) y F (fecundidad). La tasa de crecimiento
asintótico de la población observada es \(\lambda =\) 0.93. Las transiciones raras
que faltan en nuestra primera matriz de transición, TF$T,
son la transición de plántula (s) a adulto (a) y la
transición de j a s. Pero sabemos que ocurren.
Paso 2: Obtener el número inicial de individuos por etapa
Dado que nuestras priores se basan en recuentos (número de individuos, N) y el tamaño de muestreo equivalente a priori se expresa como múltiplo del número de individuos observados, necesitamos obtener el número de individuos en cada etapa (\(N\)) en el primer periodo de tiempo.
Utilizamos la función raretrans::get_state_vector() para
obtener el recuento inicial de individuos, N. inicial,
N.
N <- get_state_vector(onepop, stage = stage, sort=c("s","j","a"))
N # Un vector de # de individuos iniciales para cada etapa, nota que el "stage" son los individuos en el primer muestreo## [1] 11 47 34La lista de matrices y el vector de cuento de individuales no tienen por qué proceder de un data.frame como hemos hecho aquí. Mientras tengan el formato esperado, pueden crearse a mano. Usamos la población 231 en el periodo 2 como ejemplo, dividiendo la matriz en matrices de transición T y fecundidad F. Abajo, m significa “muerte”, es decir, plantas que están muertas.
TF2## $Tmat
## stage
## fate p j a
## p 0.5000000 0.0000000 0.0000000
## j 0.0000000 0.8333333 0.0000000
## a 0.0000000 0.0625000 0.8750000
##
## $Fmat
## [,1] [,2] [,3]
## [1,] 0 0 0.125
## [2,] 0 0 0.000
## [3,] 0 0 0.000N2## p j a
## 2 6 16En esta matriz falta la transición de plántula a juvenil, y ninguno de los 6 juveniles murió, lo que lleva a una sobreestimación de la supervivencia. La tasa de crecimiento asintótico de la población observada es \(\lambda =\) 0.88. La matriz no es ergódica (no se puede llegar a cualquier otro estado desde uno o más estados), y reducible, lo que significa que una o más columnas y filas se pueden descartar y tienen las mismas propiedades eigen.
Parte 2: Uso de priors para incorporar transiciones raras
Use priors no informativos
- Ese paso es solamente para entender porque no se calcula y porque no se usa prior uniforme.
Tremblay (Tremblay et al. (2021)) muestran que los valores de prior de una dirichlet funciona para las columnas de la matriz de transición (T) y que valores prior gamma funciona para las columnas de la matriz de transición (F).
Matriz de transición
Por lo tanto, vamos a añadir un dirichlet uniforme con prior con un peso = \(1\) a la matriz de transición, \(T\). Aquí, tenemos 4 destinos (3 + muerte), por lo que cada destino 0,25 a la matriz de destinos observados (¡no a la matriz de transiciones!). de transición). Cuando especificamos una matriz con un prior para las transiciones, hay una fila más que columnas. Esta fila extra representa la muerte.
Tprior <- matrix(0.25, byrow = TRUE, ncol = 3, nrow=4)
fill_transitions(TF, N, P = Tprior) # resultado de la matriz de transición básica## [,1] [,2] [,3]
## [1,] 0.10416667 0.005208333 0.007142857
## [2,] 0.60416667 0.567708333 0.007142857
## [3,] 0.02083333 0.296875000 0.835714286# Para entender las diferencias compara los resultados con *$T* del objeto *TF*
TF## $T
##
## s j a
## s 0.09090909 0.00000000 0.00000000
## j 0.63636364 0.57446809 0.00000000
## a 0.00000000 0.29787234 0.85294118
##
## $F
##
## s j a
## s 0.0000000 0.0000000 0.1176471
## j 0.0000000 0.0000000 0.0000000
## a 0.0000000 0.0000000 0.0000000Como calcular a mano!
Podemos obtener el mismo resultado ‘a mano’ - necesitamos el vector de observaciones porque la posterior se calcula a partir de las observaciones de transiciones, no la matriz de transiciones.
Tobs <- sweep(TF$T, 2, N, "*") # obtener las observaciones de transiciones
Tobs <- rbind(Tobs, N - colSums(Tobs)) # añadir la fila de muerte
Tobs <- Tobs + 0.25 # añadir los prior
sweep(Tobs, 2, colSums(Tobs), "/")[-4,] # dividir por la suma de la column y descarta la fila de muerte ## s j a
## s 0.10416667 0.005208333 0.007142857
## j 0.60416667 0.567708333 0.007142857
## a 0.02083333 0.296875000 0.835714286El prior uniforme rellena las transiciones que faltan, pero también crea problemas porque proporciona valores de transición que son biológicamente imposibles. Por ejemplo, proporciona una transición para adulto->plántula, cuando esta transición sólo es posible en la matriz de fecundidad \(F\). Por esta razón, no recomendamos el uso de priores uniformes. En otra palabra usando un prior uniforme no toma en cuenta el ciclo de vida de una especie.
Matriz de fecundidad
Debemos especificar los parámetros para la fertilidad a
priori como una matriz. Las etapas que no hay reproducción o sea
que no se producen por reproducción deben ser NA, usando
NA_real_. El concepto de NA_real_ es que es un valor
que no esta presente pero con puntos decimales. Nota que el valor de
prior de la fertilidad es 0.0001.
alpha <- matrix(c(NA_real_, NA_real_, 1e-5,
NA_real_, NA_real_, NA_real_,
NA_real_, NA_real_, NA_real_), nrow=3, ncol = 3, byrow = TRUE)
beta <- matrix(c(NA_real_, NA_real_, 1e-5,
NA_real_, NA_real_, NA_real_,
NA_real_, NA_real_, NA_real_), nrow=3, ncol = 3, byrow = TRUE)
fill_fertility(TF, N, alpha = alpha, beta = beta)##
## s j a
## s 0.0000000 0.0000000 0.1176473
## j 0.0000000 0.0000000 0.0000000
## a 0.0000000 0.0000000 0.0000000El cambio en la fertilidad es < 0,0001 en comparación con el valor observado.
Calculando los Priors de fertilidad a mano
Calculando a mano, alfa a priori es el número de crías observadas
y beta a priori es el número de adultos observados.
obs_offspring <- N[3]*TF$F[1,3]
prior_alpha <- 1e-05
prior_beta <- 1e-05
posterior_alpha <- obs_offspring + prior_alpha
posterior_beta <- N[3] + prior_beta
posterior_alpha / posterior_beta # expected value## [1] 0.1176473Esto demuestra por qué la estimación puntual posterior de la fecundidad no cambia mucho; los valores no informativos de \(\alpha\) y \(\beta\) apenas cambian los valores observados.
Ahora podemos juntarlos.
unif <- list(T = fill_transitions(TF, N),
F = fill_fertility(TF, N,
alpha = alpha,
beta = beta))
unif## $T
## [,1] [,2] [,3]
## [1,] 0.10416667 0.005208333 0.007142857
## [2,] 0.60416667 0.567708333 0.007142857
## [3,] 0.02083333 0.296875000 0.835714286
##
## $F
##
## s j a
## s 0.0000000 0.0000000 0.1176473
## j 0.0000000 0.0000000 0.0000000
## a 0.0000000 0.0000000 0.0000000El crecimiento poblacional
La tasa de crecimiento asintótico de la población es ahora \(\lambda =\) 0.92. La tasa de crecimiento se reduce ligeramente porque la aplicación de la prioridad uniforme a las probabilidades de transición hace que las transiciones observadas de crecimiento y supervivencia se reduzcan ligeramente en relación con las transiciones no observadas de crecimiento y supervivencia.
Otras opciones para el argumento `returnType
Por defecto, fill_transitions() devuelve la matriz de
transición \(T\), y
fill_fertility() devuelve la matriz de fertilidad \(F\). Existen otros tres otros valores que
puede tomar el argumento returnType:
fill_transitions(... returnType = "TN")puede devolver una matriz aumentada de destinos, que es útil para la simulación. La cuarta fila de este resultado (véase más adelante) es el estado de mortalidad.
fill_transitions(TF, N, returnType = "TN")## [,1] [,2] [,3]
## [1,] 1.25 0.25 0.25
## [2,] 7.25 27.25 0.25
## [3,] 0.25 14.25 29.25
## [4,] 3.25 6.25 5.25fill_fertility(... returnType = "ab")devuelve los vectores alfa y beta de los vectores posteriores.
fill_fertility(TF, N,
alpha = alpha,
beta = beta,
returnType = "ab")## $alpha
##
## s j a
## s 4.00001
## j
## a
##
## $beta
## [,1] [,2] [,3]
## [1,] NA NA 34.00001
## [2,] NA NA NA
## [3,] NA NA NA- Ambas funciones también pueden devolver la matriz completa, la suma de \(T\) y \(F\).
fill_transitions(TF, N, returnType = "A")##
## s j a
## s 0.104166667 0.005208333 0.124789916
## j 0.604166667 0.567708333 0.007142857
## a 0.020833333 0.296875000 0.835714286Añadiendo realidad a los análisis
Hasta este punto, el objetivo era de entender las funciones y su aplicaciones. Ahora vamos a añadir realidad a los analisis. Como se ha mencionado no deberiamos usar priors uniforme. Debemos usar priors que son más relevante al ciclo de vida de la especie de interes.
Incorporar priores informativos
Para solucionar el problema de la creación de transiciones imposibles, especificamos una prioridad más informativa obtenida de un experto en orquídeas epifitas (RLT). La información tiene que tener la misma forma que la matriz de transiciones con una fila más que columnas. Esa ultima fila representa los individuos que se mueren de la estapa correspondiente.
RLT_Tprior <- matrix(c(0.25, 0.025, 0.0,
0.05, 0.9, 0.025,
0.01, 0.025, 0.95,
0.69, 0.05, 0.025),
byrow = TRUE, nrow = 4, ncol = 3)Nota la matriz tiene la 1ª fila, 3ª columna es 0,0, porque esta transición es imposible. Esta prioridad se construye de manera que las columnas suman 1, lo que crea la mayor flexibilidad para la ponderación de la prioridad. Por defecto, la suma es 1, interpretado como un tamaño de muestra a priori de 1.
fill_transitions(TF, N, P = RLT_Tprior)## [,1] [,2] [,3]
## [1,] 0.1041666667 0.0005208333 0.0000000000
## [2,] 0.5875000000 0.5812500000 0.0007142857
## [3,] 0.0008333333 0.2921875000 0.8557142857We can specify the weight as a multiple of the sample size for each stage.
fill_transitions(TF, N, P = RLT_Tprior, priorweight = 0.5)## [,1] [,2] [,3]
## [1,] 0.143939394 0.008333333 0.000000000
## [2,] 0.440909091 0.682978723 0.008333333
## [3,] 0.003333333 0.206914894 0.885294118En este caso, la prioridad se pondera con la mitad del número observado de transiciones. En este caso, con sólo 2 transiciones, el tamaño efectivo de la muestra a priori sigue siendo 1. Si el número de transiciones observadas fuera Si el número de transiciones observadas fuera mayor, una ponderación a priori de 0,5N sería mayor que 1, pero permitiría que los datos dominen.
Part 3: Obtain Credible Intervals
Obtener los inertvalos de confianza (IC) para entradas de matriz individuales
La distribución posterior marginal de un elemento en un multinomio es una distribución beta, y usamos esto para obtener intervalos creíbles en nuestro tasas de transición. Podemos usar el tipo de retorno TN para obtener los parámetros de el multinomio deseado.
TN <- fill_transitions(TF, N, P = RLT_Tprior, priorweight = 0.5, returnType = "TN")
a <- TN[,1] # cambie 1 a 2, 3 etc para obter la distribución beta marginal de cada columna.
b <- sum(TN[,1]) - TN[,1]# cambie 1 a 2, 3 etc para obter la distribución beta marginal de cada columna.
p <- a / (a + b)
lcl <- qbeta(0.025, a, b)
ucl <- qbeta(0.975, a, b)
knitr::kable(sprintf("%.3f (%.3f, %.3f)", p, lcl, ucl))| x |
|---|
| 0.144 (0.025, 0.343) |
| 0.441 (0.218, 0.677) |
| 0.003 (0.000, 0.038) |
| 0.412 (0.195, 0.649) |
Esas son las estimaciones puntuales (comparar con la primera columna
anterior), inferior y superior \(95\%\)
de los intervalos creíbles simétricos para transiciones de la etapa de
plántula. Existe un alto grado de incertidumbre debido a la tamaño de
muestra pequeño (\(2\)) y bajo peso en
el anterior (\(1\)), lo que lleva a un
tamaño de muestra efectivo de 3. Si aumentamos el tamaño de muestra
efectivo a \(20\) especificando:
priorweight\(= 9 (9*2 = 18 + 2 =
20)\) el los intervalos creíbles simétricos se reducen
bastante:
La importancia aqui es que el tamaño de muestra tiene un impacto sobre la confianza que se tiene sobre el estimado de punto (el promedio) de las transiciones y permanencia y mortandad.
La tasa de transición de plántula a juvenil se reduce cuando el tamaño de la muestra es demasiado grande. En general, el tamaño de la muestra previa debe ser menos que el tamaño de muestra observado.
Intervalos creíbles de \(\lambda\)
Obteniendo intervalos creíbles sobre la tasa de crecimiento
asintótica, \(\lambda\), requiere
simular matrices a partir de las distribuciones posteriores. Esto es
algo complicado de hacer correctamente, y hemos escrito una función
raretrans::sim_transitions() para generar una lista de
matrices simuladas dada la matriz observada y especificaciones
previas.
sim_transitions(TF, N, P = RLT_Tprior, alpha = alpha, beta = beta,
priorweight = 0.5)## [[1]]
## [,1] [,2] [,3]
## [1,] 9.989375e-02 0.004478638 0.263109532
## [2,] 6.095309e-01 0.694845020 0.005618474
## [3,] 8.940562e-16 0.199337991 0.801979237Ahora simulamos 5000 veces, calculamos el valor \(\lambda\) de cada matriz y creamos un histograma de la distribución.
#set.seed(8390278) # make this part reproducible
alpha2 <- matrix(c(NA_real_, NA_real_, 0.025,
NA_real_, NA_real_, NA_real_,
NA_real_, NA_real_, NA_real_), nrow=3, ncol = 3, byrow = TRUE)
beta2 <- matrix(c(NA_real_, NA_real_, 1,
NA_real_, NA_real_, NA_real_,
NA_real_, NA_real_, NA_real_), nrow=3, ncol = 3, byrow = TRUE)
# generar 5000 matrices basado en las previas de transciones y de fertilidades, el tamaño de muestra, en adición de los datos
RLT_0.5 <- sim_transitions(TF, N, P = RLT_Tprior, alpha = alpha2, beta = beta2,
priorweight = 0.5, samples = 5000)
# extract the lambdas for each matrix
RLT_0.5 <- tibble(lposterior = map_dbl(RLT_0.5, lambda)) # convertir la lista en un tibble
ggplot(data = RLT_0.5,
mapping = aes(x = lposterior)) +
geom_histogram(binwidth = 0.01, colour="white") +
rlt_theme+ geom_vline(xintercept = 1,
color = "blue", size=1.5)## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Determinar si el \(\lambda\) es significativamente diferente de 1
Esa prueba es basada en la simulación de la distribución poesterior. Se calcula la distribución de los lambda’s y se determina si el lmabda observado es significativamente más grande que 1.
También podemos calcular algunas estadísticas de resumen.
pincrease es el probabilidad de que \(\lambda > 1\).
RLT_0.5_summary <- summarize(RLT_0.5,
medianL = median(lposterior),
meanL = mean(lposterior),
lcl = quantile(lposterior, probs = 0.025),
ucl = quantile(lposterior, probs = 0.975),
pincrease = sum(lposterior > 1.)/n())
knitr::kable(RLT_0.5_summary, digits = 2)| medianL | meanL | lcl | ucl | pincrease |
|---|---|---|---|---|
| 0.96 | 0.96 | 0.87 | 1.03 | 0.14 |
Crecimiento Poblacional
Por: Tamara
Introducción al crecimiento poblacional
Ahora el primer paso es explicar a que …..
- Crecimiento intrínseco
- Estimado de intervalos de confianza de lambda
Métodos
Elasticidad
Por: Demetria, Ernesto Mujica y Elaine Gonzalez
Qué es la Elasticidad
Como se interpreta la eslaticidad
Como se calcula la eslasticidad
Limitaciones
Referencias
Dinámica de transiciones
Por: ???
Definiciones de DT
Cual es la ventaja de la DT
Como se calcula
Paquete de R para calcular la DT
Limitaciones
Referencias
Elasticidad no lineal
Por : ???
Transfer function
Valor biológico
Métodos de calculo
Paquete de R para calcular le eslaticidad no lineal
Referencias
LTRE
Por: Adriana Ramirez Martinez
Introducción a LTRE
Ahora el primer paso es explicar a que …..
Métodos
Metodos de Simulaciones
Por: ???
Introducciones a métodos de simulaciones
Ventaja de usar simulaciones
Ejemplo Simple de simulaciones
El uso de matrices para estudios evolutivos
Por: Roberto Salguero-Gómez
PPM_Orquidea sinopsis historico
Por: Raymond y todos
Por: Un overview de la historia de estudios PPm con orquideas
Compadre_Orchid PPM y su uso
Raymond y Roberto
library(Rcompadre)
library(tidyverse)
library(gt)
library(kableExtra)##
## Attaching package: 'kableExtra'## The following object is masked from 'package:dplyr':
##
## group_rowsLoad data from COMPADRE
load("~/Library/CloudStorage/Dropbox/GitHub_Dropbox_Drive/GitHub/Diagnostico_Poblacional/Diagnostico_Poblacional/COMPADRE_v.6.23.5.0.RData")
ALLSp=as_cdb(compadre) # Un baso critico: Convertir la base de datos anterior COM(P)ADRE (de clase 'list') en la base en un objeto CompadreDB.
names(ALLSp) # Nombre de las variables## [1] "mat" "MatrixID" "SpeciesAuthor"
## [4] "SpeciesAccepted" "CommonName" "Kingdom"
## [7] "Phylum" "Class" "Order"
## [10] "Family" "Genus" "Species"
## [13] "Infraspecies" "InfraspeciesType" "OrganismType"
## [16] "DicotMonoc" "AngioGymno" "Authors"
## [19] "Journal" "SourceType" "OtherType"
## [22] "YearPublication" "DOI_ISBN" "AdditionalSource"
## [25] "StudyDuration" "StudyStart" "StudyEnd"
## [28] "ProjectionInterval" "MatrixCriteriaSize" "MatrixCriteriaOntogeny"
## [31] "MatrixCriteriaAge" "MatrixPopulation" "NumberPopulations"
## [34] "Lat" "Lon" "Altitude"
## [37] "Country" "Continent" "Ecoregion"
## [40] "StudiedSex" "MatrixComposite" "MatrixSeasonal"
## [43] "MatrixTreatment" "MatrixCaptivity" "MatrixStartYear"
## [46] "MatrixStartSeason" "MatrixStartMonth" "MatrixEndYear"
## [49] "MatrixEndSeason" "MatrixEndMonth" "CensusType"
## [52] "MatrixSplit" "MatrixFec" "Observations"
## [55] "MatrixDimension" "SurvivalIssue" "_Database"
## [58] "_PopulationStatus" "_PublicationStatus"index_O=ALLSp %>%
filter(Family %in% c("Orchidaceae")) # Extraer la orquídeas de la base de datos. Lista de especies de orquídeas en la base de datos de COPADRE
unique(index_O$SpeciesAccepted)## [1] "Caladenia amonea" "Caladenia argocalla"
## [3] "Caladenia clavigera" "Caladenia elegans"
## [5] "Caladenia graniticola" "Caladenia macroclavia"
## [7] "Caladenia oenochila" "Caladenia rosella"
## [9] "Caladenia valida" "Epipactis atrorubens"
## [11] "Lepanthes rubripetala" "Spathoglottis plicata"
## [13] "Broughtonia cubensis" "Cephalanthera longifolia"
## [15] "Cleistes bifaria" "Cypripedium calceolus"
## [17] "Dendrophylax lindenii" "Erycina crista-galli"
## [19] "Lepanthes acuminata" "Lepanthes caritensis"
## [21] "Oncidium poikilostalix" "Serapias cordigera"
## [23] "Telipogon helleri" "Aspasia principissa"
## [25] "Guarianthe aurantiaca" "Jacquiniella leucomelana"
## [27] "Jacquiniella teretifolia" "Lepanthes eltoroensis"
## [29] "Lycaste aromatica" "Tolumnia variegata"
## [31] "Cleistesiopsis bifaria" "Cleistesiopsis divaricata"
## [33] "Corallorhiza trifida" "Cypripedium fasciculatum"
## [35] "Cypripedium lentiginosum" "Cypripedium parviflorum"
## [37] "Dactylorhiza lapponica" "Herminium monorchis"
## [39] "Himantoglossum hircinum" "Lepanthes rupestris"
## [41] "Neotinea ustulata" "Ophrys sphegodes"
## [43] "Orchis purpurea" "Platanthera hookeri"
## [45] "Oeceoclades maculata" "Brassavola cucullata"How many unique studies?
To know how long the studies were and be unique I need to select combinations of variables that make it unique.
Subset
names(index_O)## [1] "mat" "MatrixID" "SpeciesAuthor"
## [4] "SpeciesAccepted" "CommonName" "Kingdom"
## [7] "Phylum" "Class" "Order"
## [10] "Family" "Genus" "Species"
## [13] "Infraspecies" "InfraspeciesType" "OrganismType"
## [16] "DicotMonoc" "AngioGymno" "Authors"
## [19] "Journal" "SourceType" "OtherType"
## [22] "YearPublication" "DOI_ISBN" "AdditionalSource"
## [25] "StudyDuration" "StudyStart" "StudyEnd"
## [28] "ProjectionInterval" "MatrixCriteriaSize" "MatrixCriteriaOntogeny"
## [31] "MatrixCriteriaAge" "MatrixPopulation" "NumberPopulations"
## [34] "Lat" "Lon" "Altitude"
## [37] "Country" "Continent" "Ecoregion"
## [40] "StudiedSex" "MatrixComposite" "MatrixSeasonal"
## [43] "MatrixTreatment" "MatrixCaptivity" "MatrixStartYear"
## [46] "MatrixStartSeason" "MatrixStartMonth" "MatrixEndYear"
## [49] "MatrixEndSeason" "MatrixEndMonth" "CensusType"
## [52] "MatrixSplit" "MatrixFec" "Observations"
## [55] "MatrixDimension" "SurvivalIssue" "_Database"
## [58] "_PopulationStatus" "_PublicationStatus"SPECIES_O=index_O %>% select(StudyStart, StudyEnd, SpeciesAccepted, YearPublication, Authors, DOI_ISBN, OrganismType, MatrixPopulation,mat) %>%
group_by(SpeciesAccepted, YearPublication, Authors, DOI_ISBN, OrganismType, StudyStart, StudyEnd) %>%
summarize(n_populations = length(unique(MatrixPopulation))) %>%
arrange(desc(n_populations)) %>%
mutate(StudyStart=as.numeric(StudyStart)) %>%
mutate(StudyEnd=as.numeric(StudyEnd)) %>%
drop_na(StudyStart, StudyEnd)
SPECIES_O %>% kable()| SpeciesAccepted | YearPublication | Authors | DOI_ISBN | OrganismType | StudyStart | StudyEnd | n_populations |
|---|---|---|---|---|---|---|---|
| Lepanthes caritensis | 2018 | Crain; Tremblay; Ferguson | 10.1002/1438-390X.1002 | Epiphyte | 2010 | 2012 | 18 |
| Epipactis atrorubens | 2017 | Hens; Pakanen; Jäkäläniemi; Tuomi; Kvist | 10.1016/j.biocon.2017.04.019 | Herbaceous perennial | 2000 | 2015 | 8 |
| Lepanthes rubripetala | 2010 | Schödelbauerová; Tremblay; Kindlmann | 10.1007/s10531-009-9724-1 | Epiphyte | 1994 | 2007 | 8 |
| Lepanthes rupestris | 2001 | Tremblay; Ackerman | 10.1006/bijl.2000.0485 | Herbaceous perennial | 1994 | 1996 | 7 |
| Lepanthes rupestris | 2014 | Tremblay; McCarthy | 10.1371/journal.pone.0102859 | Herbaceous perennial | 1993 | 1996 | 7 |
| Orchis purpurea | 2010 | Jacquemyns; Brys; Jongejans | 10.1890/08-2321.1 | Herbaceous perennial | 2002 | 2008 | 7 |
| Lepanthes rubripetala | 2001 | Tremblay; Ackerman | 10.1006/bijl.2000.0485 | Epiphyte | 1994 | 1996 | 6 |
| Lepanthes rubripetala | 2015 | Tremblay; Raventós; Ackerman; | 10.1093/aob/mcv031 | Epiphyte | 1994 | 1996 | 6 |
| Neotinea ustulata | 2007 | Shefferson; Tali | 10.1111/j.1365-2745.2006.01195.x | Herbaceous perennial | 1993 | 2005 | 6 |
| Serapias cordigera | 2014 | Pellegrino; Bellusci | 10.1111/boj.12204 | Herbaceous perennial | 1999 | 2012 | 6 |
| Cephalanthera longifolia | 2012 | Shefferson; Kull; Tali; Kellett | 10.1890/ES11-00328.1 | Herbaceous perennial | 2002 | 2007 | 4 |
| Cleistesiopsis bifaria | 1991 | Wells; Willems | 90-5103-068-1 | Herbaceous perennial | 1983 | 1990 | 4 |
| Cypripedium calceolus | 2005 | Nicolè; Brzosko; Till-Bottraud | 10.1111/j.1365-2745.2005.01010.x | Herbaceous perennial | 1991 | 2000 | 4 |
| Cypripedium fasciculatum | 2011 | Thorpe; Stanley; Kayne; Latham | NA | Herbaceous perennial | 1999 | 2007 | 4 |
| Oeceoclades maculata | 2019 | Riverón-Giró; Raventós; Damon; García-González; Mújica | 10.1007/s10530-019-01945-7 | Herbaceous perennial | 2014 | 2016 | 4 |
| Platanthera hookeri | 2007 | Reddoch; Reddoch | 10.3159/1095-5674(2007)134[369:PEOPHO]2.0.CO;2 | Herbaceous perennial | 1990 | 2005 | 4 |
| Brassavola cucullata | 2020 | Ackerman; Tremblay; Pérez; Madden; Bechtold; Boeken | NA | Epiphyte | 2009 | 2014 | 3 |
| Cypripedium calceolus | 2012 | Shefferson; Kull; Tali; Kellett | 10.1890/ES11-00328.1 | Herbaceous perennial | 2002 | 2007 | 3 |
| Dactylorhiza lapponica | 2010 | Sletvold; Øien; Moen | 10.1016/j.biocon.2009.12.017 | Herbaceous perennial | 1990 | 2006 | 3 |
| Lepanthes eltoroensis | 2001 | Tremblay; Ackerman | 10.1006/bijl.2000.0485 | Epiphyte | 1994 | 1996 | 3 |
| Cleistes bifaria | 2006 | Gregg; Kéry | 10.1016/j.biocon.2005.09.044 | Herbaceous perennial | 1986 | 1996 | 2 |
| Cypripedium calceolus | 2010 | García; Goñi; Guzman | 10.1111/j.1523-1739.2010.01466.x | Herbaceous perennial | 1994 | 2002 | 2 |
| Erycina crista-galli | 2007 | Mondragón; Maldonado; Aguilar-Santelises | 10.1111/boj.12204 | Epiphyte | 2004 | 2005 | 2 |
| Jacquiniella leucomelana | 2009 | Winkler; Hülber; Hietz | 10.1093/aob/mcp188 | Epiphyte | 2002 | 2005 | 2 |
| Jacquiniella teretifolia | 2009 | Winkler; Hülber; Hietz | 10.1093/aob/mcp188 | Epiphyte | 2002 | 2005 | 2 |
| Lepanthes caritensis | 1997 | Tremblay | NA | Epiphyte | 1994 | 1996 | 2 |
| Lycaste aromatica | 2009 | Winkler; Hülber; Hietz | 10.1093/aob/mcp188 | Epiphyte | 2002 | 2005 | 2 |
| Aspasia principissa | 2006 | Zotz; Schmidt | 10.1016/j.biocon.2005.07.022 | Epiphyte | 1997 | 2004 | 1 |
| Broughtonia cubensis | 2015 | Raventós; Gonzalez; Mújica; Bonet | 10.1111/btp.12231 | Epiphyte | 2006 | 2010 | 1 |
| Caladenia amonea | 2009 | Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | 10.1071/BT08167 | Epiphyte | 1996 | 2007 | 1 |
| Caladenia argocalla | 2009 | Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | 10.1071/BT08167 | Epiphyte | 1996 | 2007 | 1 |
| Caladenia clavigera | 2009 | Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | 10.1071/BT08167 | Epiphyte | 1996 | 2007 | 1 |
| Caladenia elegans | 2009 | Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | 10.1071/BT08167 | Epiphyte | 1996 | 2007 | 1 |
| Caladenia graniticola | 2009 | Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | 10.1071/BT08167 | Epiphyte | 1996 | 2007 | 1 |
| Caladenia macroclavia | 2009 | Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | 10.1071/BT08167 | Epiphyte | 1996 | 2007 | 1 |
| Caladenia oenochila | 2009 | Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | 10.1071/BT08167 | Epiphyte | 1996 | 2007 | 1 |
| Caladenia rosella | 2009 | Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | 10.1071/BT08167 | Epiphyte | 1996 | 2007 | 1 |
| Caladenia valida | 2009 | Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | 10.1071/BT08167 | Epiphyte | 1996 | 2007 | 1 |
| Cleistesiopsis divaricata | 1991 | Wells; Willems | 90-5103-068-1 | Herbaceous perennial | 1983 | 1990 | 1 |
| Corallorhiza trifida | 2009 | Iriondo; Giménez-Benavides; Albert; Lozano; Escudero | 978-84-8014-746-0 | Herbaceous perennial | 2001 | 2004 | 1 |
| Cypripedium parviflorum | 2014 | Shefferson; Warren II; Pulliam | 10.1111/1365-2745.12281 | Herbaceous perennial | 1994 | 2012 | 1 |
| Dactylorhiza lapponica | 2013 | Sletvold; Dahlgren; Øien; Moen; Ehrlén | 10.1111/gcb.12167 | Herbaceous perennial | 1981 | 2010 | 1 |
| Dendrophylax lindenii | 2015 | Raventós; Gonzalez; Mújica; Bonet | 10.1111/btp.12231 | Epiphyte | 2006 | 2010 | 1 |
| Epipactis atrorubens | 2011 | Jäkäläniemi; Crone; Närhi; Tuomi | 10.1890/10-1957.1 | Herbaceous perennial | 2000 | 2008 | 1 |
| Guarianthe aurantiaca | 2009 | Mondragón | 10.1111/j.1442-1984.2009.00230.x | Epiphyte | 2004 | 2006 | 1 |
| Herminium monorchis | 1998 | Wells; Rothery; Cox; Bamford | 10.1111/j.1095-8339.1998.tb02514.x | Herbaceous perennial | 1966 | 1995 | 1 |
| Himantoglossum hircinum | 2006 | Pfeifer; Wiegand; Heinrich; Jetschke | 10.1111/j.1365-2664.2006.01148.x | Herbaceous perennial | 1976 | 2001 | 1 |
| Lepanthes acuminata | 2018 | Raventós; García-González; Riverón-Giró; Damon | 10.1080/17550874.2018.1444110 | Epiphyte | 2013 | 2015 | 1 |
| Oncidium poikilostalix | 2017 | García-González; Damon; Raventós; Riverón-Giró; Mújica; Solís-Montero | 10.1080/17550874.2017.1315840 | Epiphyte | 2013 | 2015 | 1 |
| Oncidium poikilostalix | 2018 | Raventós; García-González; Riverón-Giró; Damon | 10.1080/17550874.2018.1444110 | Epiphyte | 2013 | 2015 | 1 |
| Ophrys sphegodes | 1991 | Wells; Willems | 90-5103-068-1 | Herbaceous perennial | 1983 | 1990 | 1 |
| Spathoglottis plicata | 2017 | Falcón; Ackerman; Tremblay | 10.1007/s10530-016-1318-8 | Herbaceous perennial | 2009 | 2011 | 1 |
| Telipogon helleri | 2018 | Raventós; García-González; Riverón-Giró; Damon | 10.1080/17550874.2018.1444110 | Epiphyte | 2013 | 2015 | 1 |
| Tolumnia variegata | 1993 | Calvo | 10.2307/1940473 | Epiphyte | 1988 | 1990 | 1 |
write_csv(SPECIES_O, "Species_O.csv")SPECIES_O$SpeciesAccepted <- fct_reorder(SPECIES_O$SpeciesAccepted, SPECIES_O$StudyStart, .desc = FALSE)
ggplot(SPECIES_O, aes(SpeciesAccepted, color=OrganismType))+
geom_linerange(aes(x= SpeciesAccepted , ymin=StudyStart, ymax=StudyEnd))+
coord_flip()+
theme(legend.position = c(0.2, 0.8))+
theme(axis.text.x = element_text(color = "grey20", size = 9, angle = 90, hjust = .5, vjust = .5, face = "plain"),
axis.text.y = element_text(color = "grey20", size = 7, angle = 0, hjust = 1, vjust = 0, face = "plain"),
axis.title.x = element_text(color = "grey20", size = 12, angle = 0, hjust = .5, vjust = 0, face = "plain"),
axis.title.y = element_text(color = "grey20", size = 12, angle = 90, hjust = .5, vjust = .5, face = "plain"))+
ylab("")+
xlab("")
index_O=index_O %>%
mutate(StudyDuration=as.numeric(StudyDuration))
table(index_O$StudyDuration)##
## 2 3 4 5 6 7 8 9 10 11 12 13 14 16 17 19 26 30
## 2 211 37 2 82 43 26 47 28 2 9 6 86 53 7 1 1 3table(index_O$OrganismType)##
## Epiphyte Herbaceous perennial
## 248 399ggplot(index_O, aes(StudyDuration, fill=OrganismType))+
geom_histogram(colour="white")+
facet_wrap(~OrganismType)+
theme(legend.position = "none")## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.## Warning: Removed 1 rows containing non-finite values (`stat_bin()`).
ggsave("Duración_Epi_Ter.pdf")## Saving 7 x 5 in image
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.## Warning: Removed 1 rows containing non-finite values (`stat_bin()`).plot(index_O$Lon,index_O$Lat,main = "Location")
Getting the whole database for orchids
index <- which(compadre$metadata$Family=="Orchidaceae")
names(Compadre)## [1] "mat" "SpeciesAuthor" "SpeciesAccepted"
## [4] "CommonName" "Genus" "Family"
## [7] "Order" "Class" "Phylum"
## [10] "Kingdom" "OrganismType" "DicotMonoc"
## [13] "AngioGymno" "Authors" "Journal"
## [16] "YearPublication" "DOI_ISBN" "AdditionalSource"
## [19] "StudyDuration" "StudyStart" "StudyEnd"
## [22] "ProjectionInterval" "NumberPopulations" "MatrixCriteriaSize"
## [25] "MatrixCriteriaOntogeny" "MatrixCriteriaAge" "MatrixPopulation"
## [28] "Lat" "Lon" "Altitude"
## [31] "Country" "Continent" "Ecoregion"
## [34] "StudiedSex" "MatrixComposite" "MatrixTreatment"
## [37] "MatrixCaptivity" "MatrixStartYear" "MatrixStartSeason"
## [40] "MatrixStartMonth" "MatrixEndYear" "MatrixEndSeason"
## [43] "MatrixEndMonth" "MatrixSplit" "MatrixFec"
## [46] "Observation" "MatrixDimension" "SurvivalIssue"
## [49] "AnnualPeriodicity"subset(index_O, Family =="Orchidaceae" &
MatrixDimension >2)## A COM(P)ADRE database ('CompadreDB') object with 46 SPECIES and 647 MATRICES.
##
## # A tibble: 647 × 59
## mat MatrixID SpeciesAuthor SpeciesAccepted CommonName Kingdom Phylum
## <list> <int> <chr> <chr> <chr> <chr> <chr>
## 1 <CompdrMt> 238285 Caladenia_amon… Caladenia amon… <NA> Plantae Trach…
## 2 <CompdrMt> 238286 Caladenia_argo… Caladenia argo… <NA> Plantae Trach…
## 3 <CompdrMt> 238287 Caladenia_clav… Caladenia clav… <NA> Plantae Trach…
## 4 <CompdrMt> 238288 Caladenia_eleg… Caladenia eleg… <NA> Plantae Trach…
## 5 <CompdrMt> 238289 Caladenia_gran… Caladenia gran… <NA> Plantae Trach…
## 6 <CompdrMt> 238290 Caladenia_macr… Caladenia macr… <NA> Plantae Trach…
## 7 <CompdrMt> 238291 Caladenia_oeno… Caladenia oeno… <NA> Plantae Trach…
## 8 <CompdrMt> 238292 Caladenia_rose… Caladenia rose… <NA> Plantae Trach…
## 9 <CompdrMt> 238293 Caladenia_vali… Caladenia vali… <NA> Plantae Trach…
## 10 <CompdrMt> 238565 Epipactis_atro… Epipactis atro… Darkred h… Plantae Trach…
## # ℹ 637 more rows
## # ℹ 52 more variables: Class <chr>, Order <chr>, Family <chr>, Genus <chr>,
## # Species <chr>, Infraspecies <chr>, InfraspeciesType <chr>,
## # OrganismType <chr>, DicotMonoc <chr>, AngioGymno <chr>, Authors <chr>,
## # Journal <chr>, SourceType <chr>, OtherType <chr>, YearPublication <chr>,
## # DOI_ISBN <chr>, AdditionalSource <chr>, StudyDuration <dbl>,
## # StudyStart <chr>, StudyEnd <chr>, ProjectionInterval <chr>, …subset(index_O,DicotMonoc == "Eudicot" &
Country %in% c("USA", "CAN") &
MatrixDimension > 2)## A COM(P)ADRE database ('CompadreDB') object with 0 SPECIES and 0 MATRICES.
##
## # A tibble: 0 × 59
## # ℹ 59 variables: mat <list>, MatrixID <int>, SpeciesAuthor <chr>,
## # SpeciesAccepted <chr>, CommonName <chr>, Kingdom <chr>, Phylum <chr>,
## # Class <chr>, Order <chr>, Family <chr>, Genus <chr>, Species <chr>,
## # Infraspecies <chr>, InfraspeciesType <chr>, OrganismType <chr>,
## # DicotMonoc <chr>, AngioGymno <chr>, Authors <chr>, Journal <chr>,
## # SourceType <chr>, OtherType <chr>, YearPublication <chr>, DOI_ISBN <chr>,
## # AdditionalSource <chr>, StudyDuration <dbl>, StudyStart <chr>, …#cdb_compare(index_O,x)
x <- subset(index_O,Family == "Orchidaceae")
x_OT=x %>%
group_by(OrganismType)#Orchids_New=as_cdb(index)
#compadre$mat[index]
Compadre_flagged <- cdb_flag(index_O)
x <- subset(Compadre_flagged, check_NA_A == FALSE & check_ergodic == TRUE)
lambdaVals <- sapply(matA(x), popdemo::eigs, what="lambda")
summary(lambdaVals)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.3888 0.9635 0.9973 0.9944 1.0232 1.7760hist(lambdaVals, main = "Lambda values")
library(purrr)
lambdaVals1 <- map_dbl(matA(x), ~popdemo::eigs(.x, what="lambda"))
#Or with popbio, which avoids some warning messages…
lambdaVals2 <- map_dbl(matA(x), ~popbio::lambda(.x))x2=x %>%
mutate(OrganismType = case_when(
Genus == "Caladenia" & OrganismType == "Epiphyte" ~ "Herbaceous perennial",
TRUE ~ OrganismType
))
epi=x2 %>%
filter(OrganismType=="Epiphyte")
terr=x2 %>%
filter(OrganismType=="Herbaceous perennial")Compadre_flagged <- cdb_flag(index_O)
x <- subset(Compadre_flagged, check_NA_A == FALSE & check_ergodic == TRUE)
lambdaVals <- sapply(matA(x), popdemo::eigs, what=“lambda”) summary(lambdaVals) hist(lambdaVals, main = “Lambda values”)
Compadre_flagged_epi <- cdb_flag(epi)
x_epi <- subset(Compadre_flagged_epi, check_NA_A == FALSE & check_ergodic == TRUE)
#sapply(matA(x_epi), popdemo::eigs, what="lambda")
library(purrr)
lambda_epi <- map_dbl(matA(x_epi), ~popdemo::eigs(.x, what="lambda"))
#Or with popbio, which avoids some warning messages…
lambda_terr <- map_dbl(matA(terr), ~popbio::lambda(.x))summary(lambda_epi)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.3888 0.9874 0.9972 0.9784 1.0027 1.3592hist(lambda_epi, main = "Lambda values")
summary(lambda_terr)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.4089 0.9349 1.0000 1.0053 1.0538 1.7760hist(lambda_terr, main = "Lambda values")
df_Lamb_epi=as.data.frame(lambda_epi)
df_Lamb_epi=df_Lamb_epi %>%
add_column(Habit_Type = "Epiphyte") %>%
rename(lambda=lambda_epi)
df_Lamb_terr=as.data.frame(lambda_terr)
df_Lamb_terr=df_Lamb_terr %>%
add_column(Habit_Type = "Terrestrial")%>%
rename(lambda=lambda_terr)
ALL_Lambdas=rbind(df_Lamb_epi, df_Lamb_terr)ggplot(ALL_Lambdas, aes(lambda, fill=Habit_Type ))+
geom_histogram(colour="white") +
facet_wrap( ~Habit_Type)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
The number of populations
x2 %>%
group_by(SpeciesAccepted) %>%
summarize(n_populations = length(unique(MatrixPopulation))) %>%
arrange(desc(n_populations))## # A tibble: 45 × 2
## SpeciesAccepted n_populations
## <chr> <int>
## 1 Lepanthes rubripetala 20
## 2 Lepanthes rupestris 14
## 3 Lepanthes caritensis 13
## 4 Cypripedium calceolus 9
## 5 Orchis purpurea 7
## 6 Neotinea ustulata 6
## 7 Serapias cordigera 6
## 8 Cypripedium fasciculatum 4
## 9 Epipactis atrorubens 4
## 10 Oeceoclades maculata 4
## # ℹ 35 more rowscompadre_replicated_pops <- x2 %>%
group_by(SpeciesAccepted) %>%
mutate(n_pops = length(unique(MatrixPopulation))) %>%
ungroup() %>%
subset(n_pops >= 10)
compadre_replicated_pops## A COM(P)ADRE database ('CompadreDB') object with 3 SPECIES and 167 MATRICES.
##
## # A tibble: 167 × 74
## mat MatrixID SpeciesAuthor SpeciesAccepted CommonName Kingdom Phylum
## <list> <int> <chr> <chr> <chr> <chr> <chr>
## 1 <CompdrMt> 238838 Lepanthes_rubr… Lepanthes rubr… <NA> Plantae Magno…
## 2 <CompdrMt> 239751 Lepanthes_cari… Lepanthes cari… <NA> Plantae Magno…
## 3 <CompdrMt> 239752 Lepanthes_cari… Lepanthes cari… <NA> Plantae Magno…
## 4 <CompdrMt> 239753 Lepanthes_cari… Lepanthes cari… <NA> Plantae Magno…
## 5 <CompdrMt> 239754 Lepanthes_cari… Lepanthes cari… <NA> Plantae Magno…
## 6 <CompdrMt> 239755 Lepanthes_cari… Lepanthes cari… <NA> Plantae Magno…
## 7 <CompdrMt> 239756 Lepanthes_cari… Lepanthes cari… <NA> Plantae Magno…
## 8 <CompdrMt> 239757 Lepanthes_cari… Lepanthes cari… <NA> Plantae Magno…
## 9 <CompdrMt> 239758 Lepanthes_cari… Lepanthes cari… <NA> Plantae Magno…
## 10 <CompdrMt> 239759 Lepanthes_cari… Lepanthes cari… <NA> Plantae Magno…
## # ℹ 157 more rows
## # ℹ 67 more variables: Class <chr>, Order <chr>, Family <chr>, Genus <chr>,
## # Species <chr>, Infraspecies <chr>, InfraspeciesType <chr>,
## # OrganismType <chr>, DicotMonoc <chr>, AngioGymno <chr>, Authors <chr>,
## # Journal <chr>, SourceType <chr>, OtherType <chr>, YearPublication <chr>,
## # DOI_ISBN <chr>, AdditionalSource <chr>, StudyDuration <dbl>,
## # StudyStart <chr>, StudyEnd <chr>, ProjectionInterval <chr>, …ggplot2::ggplot(x2, aes(Lon, Lat)) +
borders(database = "world", fill = "grey80", col = NA) +
geom_point(col = "steelblue", size = 1.8, alpha = 0.8)## Warning: Removed 28 rows containing missing values (`geom_point()`).
# function to calculate life expectancy
lifeExpectancy <- function(matU, startLife) {
N <- solve(diag(nrow(matU)) - matU)
return(colSums(N)[startLife])
}
compadre_life_expect <- x2 %>%
filter(MatrixComposite == "Mean", # filter is the dplyr version of subset
MatrixTreatment == "Unmanipulated",
MatrixCaptivity == "W",
#ProjectionInterval == "1"
) %>%
mutate(StageID = cdb_id_stages(.)) %>%
cdb_collapse(columns = "StageID") %>%
cdb_flag() %>%
filter(check_NA_U == FALSE,
check_zero_U == FALSE,
check_singular_U == FALSE) %>%
mutate(matU = matU(.), start_life = mpm_first_active(.)) %>%
mutate(life_expectancy = mapply(lifeExpectancy, matU, start_life)) %>%
# filter(life_expectancy >= 1) %>%
mutate(OrganismType = reorder(OrganismType, life_expectancy, median))## Warning in mpm_mean(x$mat): CompadreMat objects in given list do not all have
## the same MatrixClassOrganized. Returning MatrixClassOrganized from first list
## elementggplot2::ggplot(compadre_life_expect, aes(OrganismType, life_expectancy)) +
geom_boxplot() +
scale_y_log10() +
coord_flip() +
labs(x = NULL, y = "Life expectancy (years)")## Warning: Removed 1 rows containing non-finite values (`stat_boxplot()`).
library(Rcompadre)
library(popdemo)## Welcome to popdemo! This is version 1.3-0
## Use ?popdemo for an intro, or browseVignettes('popdemo') for vignettes
## Citation for popdemo is here: doi.org/10.1111/j.2041-210X.2012.00222.x
## Development and legacy versions are here: github.com/iainmstott/popdemodata(Compadre)
Compadre$matA <- matA(Compadre)
# create empty vector to store output
Compadre$dim <- numeric(nrow(Compadre))
index$dim <- numeric(nrow(index_O))## Warning in index$dim <- numeric(nrow(index_O)): Coercing LHS to a list# loop through all rows of Compadre
for (i in seq_len(nrow(Compadre))) {
Compadre$dim[i] <- nrow(Compadre$matA[[i]])
}
# function to determine whether matrix 'mat' has any stages with no transitions
NullStages <- function(mat) any(colSums(mat) == 0)
# apply function to every element of A
Compadre$null_stages <- sapply(Compadre$matA, NullStages)
NullStages(Compadre$matA[[1]]) # apply function to single element## [1] FALSECompadre$null_stages <- sapply(matA(Compadre), NullStages)Traduccion del articulo Protocolo de información
Por: Grupo de Anne
Dinámica espacial y temporal de Encyclia bocourtii después de 15 años en la Península de Guanahacabibes, Cuba
Por: Ernesto y Elaine
Nhora
Por: Nhora
Impactos de datos sin sentido sobre los análisis de dinámica poblacional
Por: Raymond L. Tremblay
if (!require("pacman")) install.packages("pacman")
pacman::p_load("DiagrammeR", "Rage", "popdemo", "popbio", "interpretCI",
"MCMCpack", "ggplot2", "plyr", "reshape")El valor principal de los estudios científicos proviene en que los datos representa una visión suficiente cerca a la realidad y sirve para inferir información sobre la ecología de la especie de interés. En ningún estudio ecológico se podrá obtener TODOS los datos para evaluar la relación biótica y abiótica sobre un organismos y todas sus interacciones. Ese modelo es primero demasiado complejo y irreal dentro del concepto de los trabajos científicos. El objetivo es tener una apreciación de los parámetros más importante para definir un cierto patrón o interacciones. Por consecuencia la base de todo estudios esta fundado en las unidades de los muestreos y de la recolección de datos. Si los datos no representa la realidad del estudio la interpretaciones de los análisis pudiese ser errónea. La matemática y sus ecuaciones y modelos no harán que la biología sea más cerca a la realidad si desde el principio los datos y el método de recolección de datos es erróneo.
En esta sección evaluamos diferentes aspectos de los análisis matriciales poblacional de projección y diferentes aspectos de la recolección de datos que pudiese ser problemáticos cuando uno considera la biología de una especie. La lista de “Impactos” no pretende incluir todos las posibles efecto de datos sin sentido, sino unos ejemplos si uno no considera estos problemas y cómo pueden distorsionar las interpretaciones. Por lo tanto, una advertencia a todos los biólogos de población para que estén consciente de estos temas.
Tamaño de muestra pequeño o eventos raros
Sin duda, el tema principal para el uso de PPM ha sido evaluar la proyección de población de especies raras o en peligro de extinción (otras cuestiones son ecológicas o evolutivas) (ref). En consecuencia, las especies raras o en peligro de extinción son naturalmente pequeñas y reduce el tamaño de la muestra del estudio o de algunas de las etapas/edades de la vida. Estos tamaños de muestra reducidos provocan estimaciones de parámetros y, a menudo, resultados sin sentido biológicos.
Sin Mortalidad/Supervivencia Perfecta
Considere una especie donde se recopilan datos de una especies Sp1 y la matriz de transición Sp1matU es la siguiente y la matriz de fertilidad es Sp1matF. Tenga en cuenta que ninguno de los individuos murió en la etapa adulta (supervivencia perfecta). En consecuencia, el tamaño de la población nunca disminuye o aumenta después de un período de tiempo. Bajo TODOS los modelos biológicamente realistas, esperaríamos que el tamaño de la población comenzaría a disminuir si una población no tiene reproducción. Pero en este caso como todos los individuos de la etapa sobreviven la población es eterna (algo irreal).
library(DiagrammeR)
Sp1matU <- rbind(
c(0.0, 0.0, 0.0),
c(0.5, 0.3, 0.0),
c(0.0, 0.4, 1.0)
) # transition matrix
Sp1matF <- rbind(
c(0.0, 0.0, 1.0),
c(0.0, 0.0, 0.0),
c(0.0, 0.0, 0.0)
) # fertility matrix
Sp1matA = Sp1matU+Sp1matF # TF matrix
library(Rage)
stages <- c("plantula", "juvenil", "adulto")
plot_life_cycle(Sp1matU, stages=stages, fontsize = 0)Así si analizamos esta matriz asumimos que ninguno de los individuos en etapa adulta muere, en ningún momento!!!. Claramente esto no es realista. Para cualquier especie, la probabilidad de muerte en cualquier etapa nunca es cero (aunque podría ser muy pequeña) y, por lo tanto, nuestra matriz no tiene sentido. Considere una especie de árbol, como Sequoia, es probable que para los árboles grandes de esta especie la supervivencia sea muy alta entre un año y otro, pero nunca del 100%. Hay que deferenciar entre lo que se observa en periodo y las probabilidades a largo plazo. Es possible que en el sitio de muestreo NO se observo mortalidad de los arboles grandes entre dos periodos de muestreo, que resultaria en una mortalidad de zero pero no es un valor real a largo plazo.
En el siguiente script mostramos que la población no cambia después de 5-6 periodos y se mantiene cercana a uno y no cambia nada (usamos la matriz de transición sin fecundidad). Si no hay reclutas (matriz de fertilidad), el tamaño de la población debería reducirse con el tiempo. Todo modelos de transiciones que no incluye la matriz de fertilidad debería resultar en reducción de tamaño poblacional.
n=c(5,5,5)
library(popdemo)
library(popbio)
truelambda(Sp1matU)## [,1] [,2]
## [1,] 0.9999999 1
## [2,] 0.9999999 1
## [3,] 0.9999999 1pop.projection(Sp1matU, n=n)$pop.changes## [1] 0.7333333 0.8909091 0.9632653 0.9885593 0.9965281 0.9989548 0.9996861
## [8] 0.9999058 0.9999717 0.9999915 0.9999975 0.9999992 0.9999998 0.9999999
## [15] 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000Suponga un pequeño cambio en la mortalidad.
Tenga en cuenta que en este nuevo modelo, aunque la tasa de supervivencia es muy cercana a cero (0,995) y, por consecuencia, es posible una disminución de la población en cada período de tiempo (aunque solo sea en una pequeña fracción). Siempre hay que considerar si esta taza de mortalidad es biologicamente real o es un resultado del tamaño de la muestra. Este valor sugiere que se muestreo 1000 individuos y que 995 sobrevivieron. Si el tamaño fue de 1000, uno pudiese tener confianza en el parámetro.
Sp1matU_2 <- rbind(
c(0.0, 0.0, 0.0),
c(0.5, 0.3, 0.0),
c(0.0, 0.4, 0.995)
) # transition matrix
Sp1matF <- rbind(
c(0.0, 0.0, 1.0),
c(0.0, 0.0, 0.0),
c(0.0, 0.0, 0.0)
) # fertility matrix
Sp1matA_2=Sp1matU_2+Sp1matF
pop.projection(Sp1matU_2, n=n)$pop.changes## [1] 0.7316667 0.8874829 0.9586555 0.9836264 0.9915311 0.9939504 0.9946832
## [8] 0.9949045 0.9949712 0.9949913 0.9949974 0.9949992 0.9949998 0.9949999
## [15] 0.9950000 0.9950000 0.9950000 0.9950000 0.9950000Irreductibilidad: No hay transiciones entre etapas
En el escenario actual, los juveniles no crecen para convertirse en adultos, todos los juveniles siguen siendo juveniles o mueren. Tenga en cuenta la figura del ciclo de vida donde no hay flechas que conecten a los juveniles con los adultos.
library(DiagrammeR)
Sp1matU_NT <- rbind(
c(0.0, 0.0, 0.0),
c(0.5, 0.7, 0.0),
c(0.0, 0.0, 0.995)
) # transition matrix
Sp1matF <- rbind(
c(0.0, 0.0, 1.0),
c(0.0, 0.0, 0.0),
c(0.0, 0.0, 0.0)
) # fertility matrix
Sp1matA_NT = Sp1matU_NT+Sp1matF # TF matrix
library(Rage)
stages <- c("plantula", "juvenil", "adulto")
plot_life_cycle(Sp1matU_NT, stages=stages, fontsize = 0)Como lo muestra Caswell (2000) y explorado más recientemente por (stott2010?), las matrices deben de ser irreducibles. El concepto de irreductibilidad está asociado con el ciclo de vida de la especie y la matriz incluye las transiciones de todas las etapas a todas las demás etapas. A la figura del ciclo de vida anterior le faltan dos componentes importantes en la historia de vida de la especie, ningún juvenil crece para convertirse en adulto y ninguno de los adultos produce plántulas (semillas que crecen hasta convertirse en plántulas).
Una manera fácil de determinar si la matriz es irreducible es correr el siguiente script isIrreducible en el paquete (popdemo). Tenga en cuenta que, en este caso, el resultado es Falso para la matriz anterior.
isIrreducible(Sp1matU_NT) # para la matriz de transición, faltando una etapa de transición y fertilidad## [1] FALSEisIrreducible(Sp1matA_NT) # para la matriz TF, falta una etapa de transición## [1] FALSE# Ahora considerando Sp1matA_2
isIrreducible(Sp1matA_2) # incluye todas las transiciones y la fertilidad## [1] TRUENinguna supervivencia
La mortalidad es uno de los estadios del ciclo de vida de una especies, pero raramente se añade al ciclo de vida porque es implícito en los cálculos. A menudo se observa que la supervivencia de los individuos más pequeños o la primera etapa del ciclo de vida de una especie es muy arriesgada, donde la probabilidad de supervivencia es muy baja. Por ejemplo, la mayoría de las semillas no sobreviven para germinar. Esta es probablemente la norma en las orquídeas donde la producción de semillas es muy alta (a veces millones de semillas en una cápsula de semillas, es decir, Catasetum; ref), pero pocas germinan (ref). Sin embargo, esto no se limita a las orquídeas, en los árboles se puede observar el mismo patrón, por ejemplo, en Nothofagus pumilio el reclutamiento de plántulas fue inferior al 1,5 % Torres et al. (2015). NEED Other EXAMPLES OF NO SEED OR SEEDLING RECRUITMENTS.
Como es bien sconocido, la germinación de semillas en las orquídeas no es sencilla y muchas variables pueden influir en la germinación de semillas Rasmussen et al. (2015) ……. más detalle sobre lo que se conoce y lo que no se conoce…
En el gráfico del ciclo de vida actual, ninguna de las plántulas sobrevive o crece a la siguiente etapa. Tenga en cuenta que en la primera columna de la matriz de transición todos los valores son cero. La población puede haber comenzado con muchas (incluso miles) de plántulas, pero ninguna creció hasta convertirse en un juvenil o permaneció como plántula antes del siguiente muestreo. Esto da como resultado una matriz que es reducible isIrreducible = FALSO y en consecuencia no cumple con los requisitos necesarios.
library(DiagrammeR)
Sp1matU_NS <- rbind(
c(0.0, 0.0, 0.0),
c(0.0, 0.7, 0.0),
c(0.0, 0.25, 0.995)
) # transition matrix
Sp1matF <- rbind(
c(0.0, 0.0, 1.0),
c(0.0, 0.0, 0.0),
c(0.0, 0.0, 0.0)
) # fertility matrix
Sp1matA_NS = Sp1matU_NS+Sp1matF # TF matrix
library(Rage)
stages <- c("plantula", "juvenil", "adulto")
plot_life_cycle(Sp1matU_NS, stages=stages, fontsize = 0)isIrreducible(Sp1matU_NS)## [1] FALSERedondeo excesivo de valores
Uno de los errores más simples en la construcción de los elementos de la matriz es el error de redondeo excesivo u otras estimaciones que dan como resultado valores de supervivencia superiores a 1,00, lo que a veces da como resultado una supervivencia incluso superior al 100%. Una estimación de supervivencia de mayor de 1 es que de la nada aumenta la cantidad de individuos sin reproducción o clonaje.
Por ejemplo en un análisis de Serapia cordigera Pellegrino and Bellusci (2014). Aquí los autores evaluaron las transiciones entre latencia, plántulas, roseta vegetativa y floración. Aquí mostramos una de estas matrices que esta incluida en el material suplementario del articulo. Período de tiempo 2001-2002, A1.
library(DiagrammeR)
SerapiaU <- rbind(
c(0.668, 0.122, 0.294, 0.401),
c(0.128, 0.0, 0.0, 0.0),
c(0.0, 0.302, 0.453, 0.366),
c(0.214, 0.364, 0.185, 0.207)
) # transition matrix
SerapiaF <- rbind(
c(0.0, 0.0, 0.0, 0.0),
c(0.0, 0.0, 0.0, 0.0),
c(0.0, 0.0, 0.0, 0.0),
c(0.0, 0.0, 0.0, 0.0)
) # fertility matrix
SerapiaA = SerapiaU+SerapiaF # TF matrix
library(Rage)
stages <- c("latente", "plantulas", "vegetativa", "adulto")
plot_life_cycle(SerapiaA, stages=stages)# Tenga en cuenta que la suma de supervivencia para la etapa inactiva es mayor que 1, igual a 1.01Estimaciones de fertilidad y ciclo de vida
La importancia de considerar cómo se incluye la fertilidad en el ciclo de vida es extremadamente influyente en los resultados de los modelos, y si se considera erróneamente puede dar lugar a interpretaciones sin sentido. Mostramos algunos ejemplos de cómo estos pueden incluirse en el ciclo de vida y la matriz y dar como resultado problemas de causa. Vea el capitulo @ref(Fertilidad) para más detalle.
Ciclo de vida y etapa de fertilidad incorrectos
Suponga que tiene una especie en la que modela el ciclo de vida como plántula, juvenil y adulto. La fertilidad se mide como el número de semillas producidas por un adulto (número medio de semillas por adulto). Después de recopilar los cálculos de datos, se determina que el número medio de semillas por adulto es 11000. Si agregamos la matriz de transición y fertilidad a continuación y evaluamos el lambda y graficamos el crecimiento de la población con la función proyecto, tenemos un lambda de 4.93 y después de solo 5 períodos de tiempo, el número de adultos supera los 250,000. Por consecuencia, la estimación de la tasa de crecimiento de la población sería incorrecta y engañosa, donde 30% de 11,000 semillas crecen a ser plántulas, un total de 3,300 plantulas!!!
El error es que el valor en la matriz de fertilidad debería corresponder a la primera etapa de la matriz, en este caso la etapa de plántula. Por lo tanto, la esquina superior derecha de la matriz de fertilidad no debe ser la cantidad media de semillas por planta, sino la cantidad media de plántulas producidas por una planta adulta.
library(DiagrammeR)
Sp1matU_Fert <- rbind(
c(0.0, 0.0, 0.0),
c(0.3, 0.7, 0.0),
c(0.0, 0.25, 0.995)
) # transition matrix
Sp1matF <- rbind(
c(0.0, 0.0, 1100.0),
c(0.0, 0.0, 0.0),
c(0.0, 0.0, 0.0)
) # fertility matrix
Sp1matA_Fert = Sp1matU_Fert+Sp1matF # TF matrix
library(Rage)
stages <- c("plantula", "juvenil", "adulto")
lambda(Sp1matA_Fert)## [1] 4.937718# show change in population size
n## [1] 5 5 5pr <- project(Sp1matA_Fert, vector="n", time=5)
plot(pr) # Note that even after just 5 time periods, the number of adults is larger than 250,000 individuals
Si deseamos agregar una etapa de semilla, debemos incluir la etapa en nuestro modelo y matriz con una nueva etapa la etapa de semilla, y tener una estimación del número de semillas que germinan y se convierten en plántulas. En el caso de las orquídeas, es probable que sea una estimación difícil de lograr porque las semillas de las orquídeas son difíciles de seguir en la naturaleza a menos que se haya usado el método del paquete de semillas (ref) o se utilizó algún método de huella genética para determinar la procedencia de las semillas.
library(DiagrammeR)
Sp1matU_Fert2 <- rbind(
c(0.0, 0.0, 0.0, 0.0),
c(0.0001, 0.0, 0.0, 0.0),
c(0.0, 0.3, 0.7, 0.0),
c(0.0, 0.0, 0.25, 0.995)
) # transition matrix
Sp1matF2 <- rbind(
c(0.0, 0.0, 0.0, 1100.0),
c(0.0, 0.0, 0.0, 0.0),
c(0.0, 0.0, 0.0, 0.0),
c(0.0, 0.0, 0.0, 0.0)
) # fertility matrix
Sp1matA_Fert2 = Sp1matU_Fert2+Sp1matF2 # TF matrix
library(Rage)
stages <- c("semillas", "plantula", "juvenil", "adulto")
plot_life_cycle(Sp1matA_Fert2, stages=stages)lambda(Sp1matA_Fert2)## [1] 1.019805# show change in population size
pr <- project(Sp1matA_Fert2, vector="n", time=5)
plot(pr) # Note that now the number of adults did not increase to the level of the previous model
En el ejemplo anterior no hemos incluido una etapa de latencia de semillas. En muchas especies de plantas, las semillas pueden permanecer latentes durante uno o más años. No se sabe si las semillas de las orquídeas están inactivas durante mucho tiempo (gale2010restricciones?), excepto para algunas especies que han demostrado que las semillas aún están vivas después de varios años en el suelo usando la prueba de tinción de tetrazolio Rasmussen and Whigham (1993) y Whigham et al. (2006). MAS REFERENCIAS!!
Problemas de análisis de datos
Estimaciones de intervalos de confianza incorrectas
Las estimaciones de dispersión en los parámetros de la matriz de supervivencia, transición, muerte y fertilidad son útiles de múltiples maneras. El enfoque más básico es comprender la incertidumbre en el parámetro como una función del tamaño de la muestra, los parámetros con gran dispersión deben verse con precaución. Los parámetros de dispersión pueden ser útiles para simulaciones y comprender la incertidumbre en los parámetros de población como lambda y la probabilidad de persistencia y extinción.
Los parámetros de supervivencia, muerte, estasis y transiciones NO se distribuyen normalmente ya que los valores van de cero a 1. Ningún valor puede ser menor que cero o mayor que uno, incluidos los intervalos de confianza del 95 % (limitados por 0 y 1). Si se usa la distribución gaussiana (normal) es probable que el IC del 95 % esté fuera de los límites. Supongamos que deseamos calcular la probabilidad de supervivencia de una etapa y sus intervalos de confianza del 95%.
Se deterimna que de 20 individuos 2 fallecen y 19 sobrevivieron entre el primer muestreo y el segundo.
- Construya un intervalo de confianza del 95% de la proporción de individuos que murieron
Donde la proporción que murió es \(\hat{p}\) y el número que murió es \(n_d\) y \(n\) es el tamaño de la muestra
\[\hat{p}=\frac{n_d}{n}\] con una probabilidad de muerte del 20%.
p=1/20
p## [1] 0.05El IC del 95% de una proporción se calcula
\[ \hat{p}\pm Z_{0.05}*\sqrt{}(\frac{\hat{p}(1-\hat{p})}{n})\] - Z_{0.05} es el valor crítico de Z para un IC del 95% = 1.955. Nota que ese calculo, uno de los intervalos de confianza es negativo.
n=20
HCI=p+(1.96*sqrt((p*(1-p))/n)) # IC alto
HCI## [1] 0.1455186LCI=p-(1.96*sqrt((p*(1-p))/n)) # IC bajo
LCI # Nota que el valor es sin sentido, ya que es negativo## [1] -0.04551858Un método más fácil es usar la función R propCI de la biblioteca(interceptCI)
library(interpretCI)
resultado=propCI(n=20, p=0.05, alpha=0.05)
resultado## $data
## # A tibble: 1 × 1
## value
## <lgl>
## 1 NA
##
## $result
## alpha n df p P se critical ME lower upper
## 1 0.05 20 19 0.05 0 0.04873397 1.959964 0.09551683 -0.04551683 0.1455168
## CI z pvalue alternative
## 1 0.05 [95CI -0.05; 0.15] 1.025978 0.3049018 two.sided
##
## $call
## propCI(n = 20, p = 0.05, alpha = 0.05)
##
## attr(,"measure")
## [1] "prop"Distribución Dirichlet de intervalo de confianza
Sin embargo, ¿cómo se calcula el IC del 95% cuando hay más de 2 proporciones? Debido a que la proporción de todas las etapas depende de la proporción de las otras etapas, el análisis debe considerar la proporción y el IC del 95% debe incluir todas las etapas simultáneamente. La función requerida es la función de Dirichlet multinomial (multigrupo).
En el análisis estimamos los intervalos de confianza del 95% de la transición y estasis de plántulas a plántulas (50%), juveniles (20%), adultos (0%) y muerte (30%). Tenga en cuenta el gráfico del ciclo de vida que, como de costumbre, excluye la probabilidad de que mueran las plántulas.
Dirichlet <- rbind(
c(0.5, 0.0, 0.0),
c(0.2, 0.0, 0.0),
c(0.0, 0.3, 0.7)
) # transition matrix
library(Rage)
stages <- c("plantula", "juvenil", "adulto")
plot_life_cycle(Dirichlet, stages=stages)Para evaluar el intervalo IC del 95% simultáneamente de las cuatro transiciones, usamos la library(MCMCpack), que es un paquete dedicado a realizar simulaciones de Markov Chain Monte Carlo. Usaremos la función MCmultinomdirichlet. Tenga en cuenta que la primera lista son las proporciones que se muestran en la matriz para la etapa de plántula c(.50n,.02n,.0n,.3n) multiplicadas por el tamaño de la muestra n= 25. La segunda lista son los priores bayesianos c(.5,.2,0.0001,.3), en este caso asumí que la suma de los previos es igual a 1. Esto da como resultado una confianza muy baja en la percepción previa de lo que es la transiciones. Otro tipo de previa para la transición es que sean iguales, sin embargo, podríamos haber usado c(1,1,0,.000001, 1), donde este previo sugiere una transición igual para todos menos las plántulas que hay muy poca probabilidad que crezcan hasta convertirse en adultos.
El concepto de lo anterior no se puede explicar completamente aquí, consulte las siguientes referencias para obtener información más detallada. ANADIR referencias sobre previas…..
Los resultados en la figura muestran que hay mucha dispersión alrededor de la proporción media de las estadísticas y la transición como se esperaba debido al pequeño tamaño de la muestra.
library(MCMCpack)n=25
L=posteriorPRIORL <- MCmultinomdirichlet(c(.50*n,.2*n,.0*n,.3*n), c(.5,.2,0.0001,.3), mc=10000)
dfL=as.data.frame(L)
t(summary(dfL))##
## pi.1 Min. :0.1871 1st Qu.:0.4338 Median :0.4995
## pi.2 Min. :0.01594 1st Qu.:0.14297 Median :0.19166
## pi.3 Min. :0.000e+00 1st Qu.:0.000e+00 Median :0.000e+00
## pi.4 Min. :0.05974 1st Qu.:0.23753 Median :0.29581
##
## pi.1 Mean :0.4995 3rd Qu.:0.5646 Max. :0.8218
## pi.2 Mean :0.19924 3rd Qu.:0.24803 Max. :0.55177
## pi.3 Mean :2.407e-06 3rd Qu.:0.000e+00 Max. :1.467e-02
## pi.4 Mean :0.30125 3rd Qu.:0.35902 Max. :0.66143#head(dfL)
stack_dfL=stack(dfL)
comb_dfbL= cbind(stack_dfL, T="25")
All_Data3=comb_dfbL
levels(All_Data3$ind)[levels(All_Data3$ind)=="pi.1"]="Plantulas"
levels(All_Data3$ind)[levels(All_Data3$ind)=="pi.2"]="Juvenil"
levels(All_Data3$ind)[levels(All_Data3$ind)=="pi.3"]="Adulto"
levels(All_Data3$ind)[levels(All_Data3$ind)=="pi.4"]="Muerto"
library(ggplot2)
ggplot(data=All_Data3, aes(x=values, fill=ind, colour=ind))+
geom_density(aes(alpha=.5)) +
scale_y_continuous(limit=c(0, 5.5))+
scale_colour_hue(l=60)+
facet_grid(~ind)
Ahora calculemos el IC del 95% de las transiciones
- Intervalos de confianza de transiciones, estasis y supervivencia basados en simulación y distribución de Dirichlet.
Aspectos importantes a tener en cuenta.
- los IC del 95% están acotados entre 0 y 1. Los valores por debajo de cero o por encima de uno en los parámetros no tendrían sentido.
- la suma de la media es igual a 1.
- la suma de la mediana es igual a 1.
- la forma de la distribución NO se distribuye normalmente, ver figura anterior. La forma de la distribución se llama distribución beta.
library(plyr)
library(reshape2)##
## Attaching package: 'reshape2'## The following objects are masked from 'package:reshape':
##
## colsplit, melt, recast## The following object is masked from 'package:tidyr':
##
## smithsTransitions=ddply(All_Data3, c("ind"), summarise,
mean = round(mean(values),3), sd = round(sd(values),4),
median= median(values),
#sem = round(sd(values)/sqrt(length(values)),6),
CI5 = quantile(values, probs = c(0.05)),
CI95 = round(quantile(values, probs = c(0.95)), 4),
min=min(values),
max=max(values)
)
Transitions## ind mean sd median CI5 CI95 min max
## 1 Plantulas 0.500 0.0959 0.4994522 0.34020850 0.6590 0.18712032 0.82176938
## 2 Juvenil 0.199 0.0767 0.1916562 0.08731228 0.3371 0.01594345 0.55176753
## 3 Adulto 0.000 0.0002 0.0000000 0.00000000 0.0000 0.00000000 0.01467016
## 4 Muerto 0.301 0.0881 0.2958114 0.16637504 0.4535 0.05974046 0.66142547Para comparar con el ejemplo anterior asumimos que en lado de tener solamente 25 plantas teníamos 250 plantas para los estimados.
Nota que la mediana sigue en el mismo lugar (casi) pero los IC cambian mucho y es más reducido, ya que con más datos en el muestreo resulta en más confianza y reducción en el IC. Este analisis es primordial para enterder la confianza que uno debería tener sobre los estimados de los parámetros de la matriz. Un ejemplo si se observa un IC muy grande eso pudiese ser utilizado para modificar la recolección de datos en el campo para aumentar el tamaño de muestra de esa etapa de vida.
b=250
L=posteriorPRIORL <- MCmultinomdirichlet(c(.50*b,.2*b,.0*b,.3*b), c(.5,.2,0.0001,.3), mc=10000)
dfL=as.data.frame(L)
t(summary(dfL))##
## pi.1 Min. :0.3792 1st Qu.:0.4786 Median :0.4999
## pi.2 Min. :0.1134 1st Qu.:0.1821 Median :0.1987
## pi.3 Min. :0.000e+00 1st Qu.:0.000e+00 Median :0.000e+00
## pi.4 Min. :0.2012 1st Qu.:0.2807 Median :0.2996
##
## pi.1 Mean :0.5002 3rd Qu.:0.5216 Max. :0.6256
## pi.2 Mean :0.1995 3rd Qu.:0.2162 Max. :0.2960
## pi.3 Mean :1.354e-07 3rd Qu.:0.000e+00 Max. :7.586e-04
## pi.4 Mean :0.3003 3rd Qu.:0.3190 Max. :0.4244#head(dfL)
stack_dfL=stack(dfL)
comb_dfbL= cbind(stack_dfL, T="25")
All_Data4=comb_dfbL
levels(All_Data4$ind)[levels(All_Data3$ind)=="pi.1"]="Plantulas"
levels(All_Data4$ind)[levels(All_Data3$ind)=="pi.2"]="Juvenil"
levels(All_Data4$ind)[levels(All_Data3$ind)=="pi.3"]="Adulto"
levels(All_Data4$ind)[levels(All_Data3$ind)=="pi.4"]="Muerto"
library(ggplot2)
ggplot(data=All_Data4, aes(x=values, fill=ind, colour=ind))+
geom_density(aes(alpha=.5)) +
scale_y_continuous(limit=c(0, 18))+
scale_colour_hue(l=60)+
facet_grid(~ind)
library(plyr)
library(reshape2)
Transitions=ddply(All_Data4, c("ind"), summarise,
mean = round(mean(values),3), sd = round(sd(values),4),
median= median(values),
#sem = round(sd(values)/sqrt(length(values)),6),
CI5 = quantile(values, probs = c(0.05)),
CI95 = round(quantile(values, probs = c(0.95)), 4),
min=min(values),
max=max(values)
)
Transitions## ind mean sd median CI5 CI95 min max
## 1 pi.1 0.5 0.0315 0.4998653 0.4485591 0.5524 0.3791883 0.6256454973
## 2 pi.2 0.2 0.0253 0.1986691 0.1592287 0.2426 0.1133726 0.2960040224
## 3 pi.3 0.0 0.0000 0.0000000 0.0000000 0.0000 0.0000000 0.0007586357
## 4 pi.4 0.3 0.0283 0.2995600 0.2551421 0.3484 0.2012186 0.4243661242Diferentes_componentes_de_Ciclo_de_vida
Por: Anne, Fabiola, Aucencia: ECOSUR
El capitulo sera movido a otra posicion en el libro
titulo: “diferentes_componentes_de_Ciclo_de_vida”
Hojas de datos en el campo
Por: RLT, Nhora, Demetria, Anne….
La hoja de recoleccion de datos deberia estar preparada antes de ir al campo y estar sobre papel que es impermeable y escribir con lapiz. Ese ultimo punto es bien importante ya que la gran mayoria de los boligrafos son soluble en agua y si el papel se moja ud puede perder sus daos. RECUERDA que no se puede regresar en el tiempo y recoger los datos. Si Ud tiene su hoja de datos en el laboratorio y se le cae la taza cafe y fue escrito con boligrafo se puede perder los datos. No se arriega.
es importante tener la lista completa de todos los individuos en la hoja de datos, ya que esto le ayuda asegurarse durante el muestreo que no se le olvida ningun individuo. Datos olvidado no se puede recuperar
Hoja en blanco para llevarse
library(tidyverse)
library(gt)
Hoja_de_campo = tribble(
~Número_de_Ind, ~Etapa, ~Cantidad_flores_abierta, ~Cantidad_capullo, ~ Cantidad_Frutos, ~Numero_Hojas, ~Ancho_hoja_mm, ~etc,
23001,"...","...","...","...","...","...","...",
23002,"...","...","...","...","...","...","...",
23003,"...","...","...","...","...","...","...",
23004,"...","...","...","...","...","...","...",
23005,"...","...","...","...","...","...","...",
24006,"...","...","...","...","...","...","...",
24007,"...","...","...","...","...","...","...",
24008,"...","...","...","...","...","...","...",
)
Hoja_de_campo %>% gt()| Número_de_Ind | Etapa | Cantidad_flores_abierta | Cantidad_capullo | Cantidad_Frutos | Numero_Hojas | Ancho_hoja_mm | etc |
|---|---|---|---|---|---|---|---|
| 23001 | ... | ... | ... | ... | ... | ... | ... |
| 23002 | ... | ... | ... | ... | ... | ... | ... |
| 23003 | ... | ... | ... | ... | ... | ... | ... |
| 23004 | ... | ... | ... | ... | ... | ... | ... |
| 23005 | ... | ... | ... | ... | ... | ... | ... |
| 24006 | ... | ... | ... | ... | ... | ... | ... |
| 24007 | ... | ... | ... | ... | ... | ... | ... |
| 24008 | ... | ... | ... | ... | ... | ... | ... |
Usando ejemplo de Tremblay [] y su codificación
- p == plantula.
- j == juvenil
- A0 == adulto non-reproductivo
- A1 == adulto reproductivo
- M = muerto
Hoja llena al final del muestreo
library(tidyverse)
library(gt)
Hoja_llena = tribble(
~Número_de_Ind, ~Etapa, ~Cantidad_flores_abierta, ~Cantidad_capullo, ~ Cantidad_Frutos, ~Numero_Hojas, ~Ancho_hoja_mm, ~etc,
23001,"p",NA, NA,NA,NA,NA,NA,
23002,"j",NA, NA,NA,2,10,NA,
23003,"A1",5, 10,1, 5,32,NA,
23004,"Ao",0, 0,0,2,14,NA,
23005,"m",NA, NA,NA,NA,NA,NA,
24006,"p",NA, NA,NA,NA,NA,NA,
24007,"j",NA, NA,NA,1,7,NA,
24008,"p",NA, NA,NA,NA,NA,NA,
)
Hoja_llena %>% gt()| Número_de_Ind | Etapa | Cantidad_flores_abierta | Cantidad_capullo | Cantidad_Frutos | Numero_Hojas | Ancho_hoja_mm | etc |
|---|---|---|---|---|---|---|---|
| 23001 | p | NA | NA | NA | NA | NA | NA |
| 23002 | j | NA | NA | NA | 2 | 10 | NA |
| 23003 | A1 | 5 | 10 | 1 | 5 | 32 | NA |
| 23004 | Ao | 0 | 0 | 0 | 2 | 14 | NA |
| 23005 | m | NA | NA | NA | NA | NA | NA |
| 24006 | p | NA | NA | NA | NA | NA | NA |
| 24007 | j | NA | NA | NA | 1 | 7 | NA |
| 24008 | p | NA | NA | NA | NA | NA | NA |
Nota que solamente los individuos 23003 y 23004 son adultos, uno tiene flores, capullos y frutos y el otro nada. A todos los adultos hay que llenar la informacion, no dejarlo en blanco. Para las otras etapas, no es necesario llenar la mayoria de las columnas ya que para las plantulas y muertos no PUEDEN tener esas, pero los juveniles, se puede llenar la cantidad de hojas y sus tamaño. Nota que el individuo 23005 se murio.
Esa misma estructura de recoger los dados puede ser utilizado para ponerlo en una hoja de MSExcel, Google Sheet o MacOS Numbers.
Nombre del capitulo.
All chapters start with a first-level heading followed by your
chapter title, like the line above. There should be only one first-level
heading (#) per .Rmd file.
A section
Otra seccion
All chapter sections start with a second-level (##) or
higher heading followed by your section title, like the sections above
and below here. You can have as many as you want within a chapter.
A subsection
The subtopic
More subdivision
Even more subdivision
An unnumbered section
Chapters and sections are numbered by default. To un-number a
heading, add a {.unnumbered} or the shorter
{-} at the end of the heading, like in this section.
Remember not to use only 1 # as this indicates a new chapter
NOTE the size of font changes with the number #
NOTE the size of font changes with the number #
NOTE the size of font changes with the number #
NOTE the size of font changes with the number #
Don’t miss Table @ref(tab:nice-table).
Cross-references
Cross-references make it easier for your readers to find and link to elements in your book.
Chapters and sub-chapters
There are two steps to cross-reference any heading:
Label the heading:
# Hello world {#nice-label}.Leave the label off if you like the automated heading generated based on your heading title: for example,
# Hello world=# Hello world {#hello-world}.To label an un-numbered heading, use:
# Hello world {-#nice-label}or{# Hello world .unnumbered}.
Next, reference the labeled heading anywhere in the text using
\@ref(nice-label); for example, please see Chapter @ref(intro).- If you prefer text as the link instead of a numbered reference use: any text you want can go here.
Captioned figures and tables
Figures and tables with captions can also be
cross-referenced from elsewhere in your book using
\@ref(fig:chunk-label) and
\@ref(tab:chunk-label), respectively.
See Figure @ref(fig:nice-fig).
par(mar = c(4, 4, .1, .1))
plot(pressure, type = 'b', pch = 19)
Here is a nice figure!
Don’t miss Table @ref(tab:nice-table).
knitr::kable(
head(pressure, 10), caption = 'Here is a nice table!',
booktabs = TRUE
)| temperature | pressure |
|---|---|
| 0 | 0.0002 |
| 20 | 0.0012 |
| 40 | 0.0060 |
| 60 | 0.0300 |
| 80 | 0.0900 |
| 100 | 0.2700 |
| 120 | 0.7500 |
| 140 | 1.8500 |
| 160 | 4.2000 |
| 180 | 8.8000 |
(Appendix) List of epiphyitc species
You can add parts to organize one or more book chapters together. Parts can be inserted at the top of an .Rmd file, before the first-level chapter heading in that same file.
Add a numbered part: # (PART) Act one {-} (followed by
# A chapter)
Add an unnumbered part: # (PART\*) Act two {-} (followed
by # A chapter)
Add an appendix as a special kind of un-numbered part:
# (APPENDIX) Other stuff {-} (followed by
# A chapter). Chapters in an appendix are prepended with
letters instead of numbers.
(Appendix) List of terrestrial species
Footnotes and citations
Footnotes
Footnotes are put inside the square brackets after a caret
^[]. Like this one 1.
Let’s add a second footnote. In this case we add information on the origin of matrix algebra 2
Mi tercer footnote es filosofico 3
Citations
Reference items in your bibliography file(s) using
@key.
For example, we are using the bookdown package (Xie 2023) (check
out the last code chunk in index.Rmd to see how this citation key was
added) in this sample book, which was built on top of R Markdown and
knitr (Xie 2015) (this citation was added
manually in an external file book.bib). Note that the .bib
files need to be listed in the index.Rmd with the YAML
bibliography key.
Here is second citation.
Evolutionary processes in orchids are likely to be a interaction between natural selection and genetic drift (Tremblay et al. 2005).
Here is a third citation
un articulo de Damon excepcional (Damon 2000)
Links to websites
The RStudio Visual Markdown Editor can also make it easier to insert citations: https://rstudio.github.io/visual-markdown-editing/#/citations
Blocks
Equations
Here is an equation.
\[\begin{equation} f\left(k\right) = \binom{n}{k} p^k\left(1-p\right)^{n-k} (\#eq:binom) \end{equation}\]
You may refer to using \@ref(eq:binom), like see
Equation @ref(eq:binom).
– this is the script to make the equation connectable in the text
** that the .... are to make the text visual
Theorems and proofs
Labeled theorems can be referenced in text using
\@ref(thm:tri), for example, check out this smart theorem
@ref(thm:tri).
::: {.theorem #tri} For a right triangle, if \(c\) denotes the length of the hypotenuse and \(a\) and \(b\) denote the lengths of the other two sides, we have \[a^2 + b^2 = c^2\]
A site to help create your equations \[\bar{x}=\frac{\sum x_{i}}{n}\]
https://latex.codecogs.com/eqneditor/editor.php
Ahora se enseña la formula del promedio @ref(thm:promedio)
\[\bar{x}= \frac{\sum x_{i}}{n}\]
Si quiere la ecuación en la linea usa solamente un “$” antes y despues de la formula. El promedio tiene la siguiente formula \(\bar{x}= \frac{\sum x_{i}}{n}\) y la varianza se estima tomando la diferencia entre los valores y el promedio.
Read more here https://bookdown.org/yihui/bookdown/markdown-extensions-by-bookdown.html.
Callout blocks
The R Markdown Cookbook provides more help on how to use custom blocks to design your own callouts: https://bookdown.org/yihui/rmarkdown-cookbook/custom-blocks.html
References
Taller de Dinamica Poblacional
Esta sección tiene objetivo de presentar una sinopsis de un taller de 3 dias sobre el uso de matrices para el estudio de Dinámica poblacional.
Lugar: Universidad Nacional de San Antonio Abad del Cusco, Perú Fecha del taller: 24-26 Noviembre 2023
Impartido por:
Dr. Raymond L. Tremblay:
Universidad de Puerto Rico Presidente de Analítica Fundación, Inc
e-mail:
Dra. Nhora Helena Ospina-Calderón:
Pontificia Universidad Javeriana Seccional Cali Profesora-investigadora
e-mail:
Duración del taller:
Tres días con 26 horas totales de Taller-teórico practico con una experiencia de recolección de datos en el campo (8 horas) y dos días de taller–teórico practico y análisis de datos (14 horas). Instrucción en español.
Certificación A nombre de la
Universidad Nacional San Antonio Abad del Cusco (UNSAAC)
ANALITICA Fundación Inc. (Puerto Rico)
Costo del taller Estudiantes:
S/. xxx.00 nuevos soles ($ 100.00 dol.) locales.
Profesionales: S/. xxx.00 nuevos soles ($200.00 dol.) Estudiantes internacional y profesionales
Cupo: 25 personas
Introducción
Este taller teórico-práctico se ofrece a los estudiantes interesados en orquídeas y a las personas interesadas en la conservación de plantas. Los métodos se enfocarán en el uso de las matrices de Lefkovitch para construir modelos de historia de vida que sirven a su vez para evaluar si una población de una especie es estable, está creciendo o se está reduciendo. Para evaluar el crecimiento de las poblaciones se utiliza el método de marcar y recapturar (monitorear) individuos en el campo, dicho método se aplicará para hacer Matrices de Proyección de Poblaciones (MPP). Se dará énfasis en el manejo para el almacenamiento y sistematización de datos. Los datos recolectados en el campo serán utilizados para construir una base de datos que almacene las evidencias recogidas en el campo y funcione como insumo para calcular las matrices de transiciones. Posterior a la construcción de matrices de transición se analizará las tasas de crecimiento (crecimiento poblacional intrínseco), estimando los errores y los intervalos de confianza con distribución beta para cada una de las transiciones. También se llevará a cabo análisis de elasticidad y la proyección del tamaño de la población. Todos los análisis serán preparados y llevados a cabo en R, Rstudio y RMarkdown (todos programas de distribución libre).
Objetivo general:
Introducir las bases teóricas y prácticas para la recolección de datos de campo que permiten determinar la probabilidad de extinción de una población.
Objetivos específicos:
• Conocer las bases teóricas y los métodos modernos de recolección de datos en el campo para determinar la probabilidad de extinción de una población.
• Conocer los datos básicos y su correcta manipulación para determinar
la viabilidad de una población.
• Manipular correctamente los archivos electrónicos de datos de campo para proponer la estructura de la población y su posterior depuración para análisis sobre diferentes formatos.
• Aprender nociones básicas de Excel, R y RStudio para editar y analizar conjuntos de datos para el uso con análisis de MPP.
• Construir un gráfico de ciclo de vida para la especie estudiada.
• Construir modelos demográficos que permitan predecir la dinámica poblacional en el tiempo y generar insumos importantes para el manejo y la conservación
• Estimar los intervalos de confianza de los parámetros del ciclo de vida de la población.
• Utilizar la información y análisis demográfico para el diagnóstico y predicciones de la viabilidad de las poblaciones.
• Modelar el tamaño poblacional de la población de estudio para determinar su posible riesgo de extinción
Introducción
23 noviembre- Llegada a Cusco
8:00 pm- 9:15pm
- Introducción al taller y Presentación de conceptos básicos (Capítulo 2; Tremblay)
- Diagrama del ciclo de vida (Capítulo 3; Ospina)
- Preparación del viaje de campo
24 noviembre: Viaje de campo
Salida 6:00 am - Llegada 8:15 am.
- Llegada al sitio de muestreo campo
8:30am- 5:00pm.
Determinación de la especie a estudiar (Ospina y Tremblay)
Métodos de recolección de datos (Capítulo 4 y 22; Ospina y Tremblay)
Recolección de datos
25 noviembre:
8:30 pm-10:30 pm
- Teoria: - Proponer un ciclo de vida (Capítulo 3) - Quien se
reproduce y como calcular la fecundidad (Capitulo 6) - Como se ama la
matriz (3 x 3) y ejercicio (Capítulo 5)
- Subir la matriz a mano
- Multiplicación del vector (N en el tiempo t) con la matriz = Nt+1
- Subir la matriz a mano
10:30am – 12:00pm
- Introducción a la teoria de MPP - crecimiento asimtotico (Capítulo 9) - elasticidad (Capitulo 10) - estructura estable (Capitulo Nuevo) - valor reproductivo (Capitulo Nuevo)
Almuerzo 12:00- 1:00pm
1:00pm - 2:30 pm
- Organización de los datos en Excel/Numbers/Sheet, estructura de la población (Capítulo 4 y 22; Ospina y Tremblay)
2:30pm – 5:30pm
Introducción a R, RStudio y RMarkdown y paquetes de análisis. (Tremblay)
Subir los datos a RStudio, análisis preliminar de los datos usando popdemo y raretrans (Ospina y Tremblay)
- Métodos para calcular contruir la matriz (Capítulo 8, Tremblay)
- Incluir la fecundidad (Capítulo 6)
- Matriz bayesiana a priori (Capítulo 8, Tremblay)
- Calcular los indices de Oquídea cuscanensis
- crecimiento asintótico (Capítulo 9)
- elasticidad (Capítulo 10)
- estructura estable (Capítulo Nuevo)
- valor reproductivo (Capítulo Nuevo)
26 noviembre:
8:30 pm-10:30 pm
- - Descripción histórica del uso y aplicaciones de MPP (Capítulo 2, 16: Tremblay)
10:30am – 12:00pm
Dinamica transitoria transfer function (Capítulo 12; Ospina)
Dinámica, análisis de viabilidad poblacional: el futuro de la especie (Capítulo 9: Tremblay)
Almuerzo 12:00- 1:00pm
1:00pm – 4:30pm
- Estudio de casos, asignaciones de tarea.
- Caladenia xxx, Terrestre con latencia
- Dracula chimaera, Epífita y Terrestre
- Dendrophylax lindenii, Epífita áfila
4:30pm – 5:30pm
- Presentaciones de trabajo (20 minutos por grupo, 10 minutos de preguntas)
Materiales necesarios:
- Computadora portátil (Mac o PC) con Excel, R y Rstudio
- Los participantes pueden trabajar en parejas en caso de que sea
difícil conseguir una computadora portatil.
- Es necesario acudir a las sesiones teórica/práctica con los programas y paquetes previamente instalados, se enviará instrucciones y brindará oportuna asesoría.
- La instalación de los programados se harán una semana antes del taller, en una conferencia por ZOOM.
Bibliografía
Gascoigne Samuel J. L., Simon Rolph, Daisy Sankey, Nagalakshmi Nidadavolu, Adrian S. Stell Pičman, Christina M. Hernández, Matthew Philpott, Aiyla Salam, Connor Bernard, Erola Fenollosa, Jessie McLean, Shathuki Hetti Achchige Perera, Oliver G. Spacey, Maja Kajin, Anna C. Vinton, C. Ruth Archer, Jean H. Burns, Danielle L. Buss, Hal Caswell, Judy P. Che-Castaldo, Dylan Z. Childs, Pol Capdevila, Aldo Compagnoni, Elizabeth Crone, Thomas H. G. Ezard, Dave Hodgson, Owen Jones, Eelke Jongejans Jenni McDonald, Brigitte Tenhumberg, Chelsea C. Thomas, Andrew J. Tyre, Satu Ramula, Iain Stott, Raymond L. Tremblay, Phil Wilson, James W. Vaupel, and Roberto Salguero-Gómez.. 2023. A standard protocol to report discrete stage-structured demographic information. Submitted to Methods in Ecology and Evolution. In press.
Stott, I., Hodgson, D. J., & Townley, S. (2012). Beyond sensitivity: nonlinear perturbation analysis of transient dynamics. Methods in Ecology and Evolution. 3(4), 673-684. doi: 10.1111/j.2041-210X.2012.00199.x
Stott, I., Hodgson, D. J., & Townley, S. (2012b). Popdemo: An R package for population demography using projection matrix analysis. Methods in Ecology and Evolution, 3(5), 797-802. https://doi.org/10.1111/j.2041-210X.2012.00222.x
Stott, I., Townley, S., & Hodgson, D. J. (2011). A framework for studying transient dynamics of population projection matrix models. Ecology Letters, 14(9), 959-970. doi: 10.1111/j.1461-0248.2011.01659.x
Tremblay, R. L., & Hutchings, M. J. (2002). Population dynamics in orchid conservation: a review of analytical methods based on the rare species Lepanthes eltoroensis. Orchid conservation. Kota Kinabalu: Natural History Publications (Borneo), 183-204.
Tremblay, R. L., Raventos, J., & Ackerman, J. D. (2015). When stable-stage equilibrium is unlikely: integrating transient population dynamics improves asymptotic methods. Annals of Botany, 116(3), 381-390. doi:10.1093/aob/mcv031
Tremblay, R. L., Tyre, A. J., Pérez, M. E., & Ackerman, J. D. (2021). Population projections from holey matrices: Using prior information to estimate rare transition events. Ecological Modelling, 447, 109526. https://doi.org/10.1016/j.ecolmodel.2021.109526.
Que conocemos de estas especies?
Especies reportadas de en el sitio de muestreo (día uno)
Cyrtochilum cimiciferum (Rchb.f.) Dalström (Tiene una gran población)
Cyrtochilum myanthum (Lindl.) Kraenzl.1917
Epidendrum chalmersii Hágsater & Ric. Fernández 2013 (endémico de la región Cusco)
Epidendrum syringothyrsus Rchb.f. ex Hook.f. 1875
Pleurothallis casapensis Lindl. 1842
Habenaria sp.
Cyclopogon sp.